Đang tải... (xem toàn văn)
Bài viết đề xuất mô hình cảnh báo sớm rủi ro tín dụng dựa trên sự phân tích các hệ số tài chính. Phương pháp phân tích hồi quy logistic đã được sử dụng để phân tích các hệ số tài chính với 152 mẫu quan sát.
Chun mục: Tài Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 14 (2020) CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN KHẢ NĂNG TRẢ NỢ CỦA DOANH NGHIỆP NIÊM YẾT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM Đỗ Năng Thắng1, Nguyễn Văn Huân2 Tóm tắt Rủi ro tín dụng loại rủi ro mà ngân hàng thương mại phải đối mặt, đặc biệt bối cảnh cạnh tranh khốc liệt lĩnh vực kinh doanh tiền tệ ngày Chính vậy, việc xây dựng công cụ hữu hiệu, hỗ trợ ngân hàng thương mại trình cho vay nhằm hạn chế rủi ro cần thiết Xuất phát từ tính cấp thiết tình hình thực tế, báo đề xuất mơ hình cảnh báo sớm rủi ro tín dụng dựa phân tích hệ số tài Phương pháp phân tích hồi quy logistic sử dụng để phân tích hệ số tài với 152 mẫu quan sát Từ khóa: Mơ hình cảnh báo; Rủi ro tín dụng; Mơ hình hồi quy; Mơ hình xếp hạng; Hệ số phi tài chính; Hệ số tài chính; Hồi quy nhị phân ASSESSMENT OF FACTORS AFFECTING LOAN REPAYMENT CAPABILITY OF ENTERPRISES LISTED ON VIETNAM STOCK MARKET Abstract Credit risk is a type of risks that commercial banks always face, especially in the context of increasing fierce competition in monetary business sector today Therefore, it is essential to build an effective tool to support banks to limit risks in commercial lending Based on the urgency of the actual situation, the paper proposes a model that warns credit risk early based on the analysis of financial ratios The logistic regression analysis method was used to analyze financial ratios with 152 observations Keywords: Warning model; Credit risk; Logistic model; Ranking model; Financial ratios; Binary regression JEL classification: G, G01, G32 CreditMetrics JP Morgan giới thiệu vào năm Giới thiệu Tín dụng hoạt động chiếm tỷ trọng lớn 1997 mơ hình sử dụng phổ biến trong hoạt động kinh doanh ngân thực tiễn Mơ hình xem có nguồn gốc hàng, mảng hoạt động mang lại nguồn thu từ mơ hình Merton, nhiên có điểm khác lớn cho ngân hàng thương mại Tuy biệt mơ hình CreditMetrics với Merton nhiên, rủi ro từ hoạt động mang lại loại ngưỡng phá sản mơ hình CreditMetrics rủi ro lớn mà Ngân hàng thương mại phải xác định từ xếp hạng tín dụng khơng phải đối mặt, đặc biệt bối cảnh cạnh tranh khốc liệt từ khoản nợ Do đó, mơ hình cho phép xác lĩnh vực kinh doanh tiền tệ ngày Có định xác suất vỡ nợ xác suất suy giảm tín nhiều nguyên nhân dẫn đến rủi ro tín dụng, dụng[3] Hay cơng trình nghiên cứu Meyer, chủ yếu xuất phát từ phía khách hàng vay Thế Douglas W (1996) sử dụng phương pháp giới có nhiều cơng trình nghiên cứu định lượng để hỗ trợ quản lý rủi ro tín dụng[4] liên quan đến mảng nghiên cứu này, tiêu Ở Việt Nam Ngân hàng thương biểu Mơ hình Merton (1974) có vai trị mang tính mại, đặc biệt ngân hàng thương mại cổ phần tư khai sáng quản trị rủi ro tín dụng, mơ hình nhân việc xây dựng ứng dụng mơ hình tốn xác định khả trả nợ công ty dựa học vào quản trị rủi ro tín dụng cịn hạn chế, họ việc tính tốn giá trị tài sản cơng ty chủ yếu dựa vào xếp hạng tín dụng để thời điểm so sánh với khoản nợ định cho vay Xuất phát từ thực tế đó, báo đề cơng ty với giả thiết cơng ty có khoản nợ xuất mơ hình Cảnh báo rủi ro tín dụng nhằm hỗ phải trả thời điểm nhất[1] Mô trợ ngân hàng thương mại hạn chế rủi ro hình điểm số Z Altman (1977) tính toán khả định cho vay khách hàng trả nợ khách hàng dựa số liệu lịch sử doanh nghiệp yếu tố có ảnh hưởng đến khả trả nợ Phương pháp nghiên cứu khách hàng Mơ hình điểm số Z sử dụng 2.1 Phương pháp khảo sát thu thập liệu phương pháp phân tích khác biệt đa nhân tố để Dữ liệu báo cáo tài doanh lượng hóa xác suất vỡ nợ người vay khắc nghiệp thu thập giai đoạn 2013-2019 phục nhược điểm mơ hình định tính, để phân tích chạy thử, sau lựa chọn số góp phần tích cực việc kiểm sốt rủi ro liệu lấy thời điểm 31/12/2019 làm số liệu [2] tín dụng Ngân hàng thương mại Mơ hình 82 Chun mục: Tài Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 14 (2020) thức nghiên cứu Mẫu nghiên cứu gồm 152 doanh nghiệp, chia thành nhóm: - Nhóm 1: Các doanh nghiệp có lãi (76 doanh nghiệp) - Nhóm 2: Các doanh nghiệp khơng có lãi (76 doanh nghiệp) Bài báo sử dụng dấu hiệu phá sản “Vốn lưu động ròng bị âm” theo định nghĩa vỡ nợ Basel để phân loại doanh nghiệp Bảng 1: Thơng tin loại hình doanh nghiệp khảo sát Lĩnh vực Số lượng Tỷ trọng (%) Sản xuất 75 49,34 Xây dựng bất động sản 40 26,32 Vận tải kho bãi 14 9,21 Khác 23 15,13 Nguồn: Tác giả khảo sát tổng hợp nhóm hiệu hoạt độ nhóm số thị trường) 2.2 Phương pháp xác định biến cho mơ hình ảnh hưởng đến khả trả nợ doanh 2.2.1 Biến độc lập Dựa vào cơng trình nghiên cứu từ trước nghiệp Tác giả sử dụng kích cỡ mẫu gồm 152 nghiên cứu Altman (1968), Ohlson doanh nghiệp Sau đó, phương pháp loại trừ (1980), ban đầu tác giả lựa chọn 34 biến 34 dần (sử dụng kiểm định Wald), có mơ hình đáp số tài phân thành nhóm (Nhóm địn ứng đủ điều kiện: bẩy tài chính, nhóm dịng tiền hoạt động, nhóm Mơ hình (Mơ hình biến) khả tốn, nhóm khả sinh lời, Bảng 2: Thơng tin biến độc lập mơ hình Giả thuyết hướng TT Tên biến Kí hiệu tác động Hệ số nợ X1 Dòng tiền từ hoạt động kinh doanh tổng tài X4 sản Dòng tiền từ hoạt động kinh doanh Doanh X6 thu Dòng tiền từ hoạt động kinh doanh tổng nợ + X7 Tài sản ngắn hạn tổng tài sản + X8 Nguồn: Tác giả tổng hợp quy ước TT Bảng 3: Mô hình (Mơ hình biến) - Thơng tin biến độc lập mơ hình Giả thuyết hướng Tên biến Kí hiệu tác động Hệ số nợ X1 Tài sản ngắn hạn Tổng tài sản + X8 Tài sản khả dụng ngắn hạn Tổng tài sản + X10 Tài sản khả dụng ngắn hạn Nợ ngắn hạn + X11 Nguồn: Tác giả tổng hợp quy ước 2.2.2 Biến phụ thuộc Mục tiêu báo xác định khả trả nợ vay doanh nghiệp (xác suất trả nợ doanh nghiệp phần trăm) nên tác giả lựa chọn mô hình hồi quy Binary logistic Maddala cơng bố năm 1983 để xây dựng mơ hình [5] Biến phụ thuộc nhận hai giá chị có khơng có khả trả nợ Quy ước Y: Khả trả nợ Y nhận hai giá trị Y = 1: Nếu khách hàng có khả trả nợ Y = 0: Nếu khách hàng khơng có khả trả nợ 2.3 Phương pháp đánh giá chất lượng mô hình Tác giả sử dụng phương pháp MCC để đánh giá chất lượng mơ hình Hệ số tương quan Mathews hệ số đánh giá độ chất lượng hệ thống phân loại nhị phân (quality of binary calassifications - MCC) xây dựng Brian W Mathews vào năm 1975 Hệ số MCC coi đại lượng tốt nhất, không đánh giá hệ thống phân loại nhị phân mà cịn dùng cho hệ thống phân loại khác Công thức MCC sau: 83 Chuyên mục: Tài Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 14 (2020) MCC= - FN (False negative): Âm tính giả Giá trị MCC nằm khoảng từ -1 đến 1; giá trị MCC gần với mơ hình tốt √(TP+FP)×(TP+FN)×(TN+FP)×(TN+FN) + MCC=1: mơ hình dự đốn hồn hảo Trong đó: + MCC=0: mơ hình dự đốn ngẫu nhiên - TP (True positive): Dương tính thực + MCC=-1: mơ hình dự đốn sai ngược với - TN (True negative): Âm tính thực thực tế - FP (False positive): Dương tính giả * Tính MCC cho mơ hình logit thứ Bảng 4: Kết tính MCC mơ hình Dự đốn TP×TN-FP×FN Khả trả nợ Quan sát Khả trả nợ Khơng có khả trả nợ Có khả trả nợ 69 72 Khơng có khả trả nợ Có khả trả nợ % tổng thể MCC Tỷ lệ % xác 90,8 94,7 92,8 0,855930001 Nguồn: Tính tốn tác giả Bảng 5: Kết tính MCC mơ hình Dự đốn Khả trả nợ Quan sát Khơng có khả trả nợ Có khả trả nợ % tổng thể MCC Khả trả nợ Tỷ lệ % xác Khơng có khả trả nợ Có khả trả nợ 73 96,1 75 98,7 97,4 0,947697 Nguồn: Tính tốn tác giả * Tính MCC cho mơ hình logit thứ hai tín dụng mơ hình tương đối tốt Tuy Kết từ Bảng Bảng cho thấy, việc nhiên, mơ hình cho kết MCC lớn mơ áp dụng MCC để kiểm tra mơ hình logit cho hình nên đánh giá có chất lượng tốt kết cao chứng tỏ khả cảnh báo rủi ro Bảng 6: Kết biến sau chạy mơ hình Tên biến B S.E Wald df Sig Exp (B) Hệ số nợ -10,959 4,307 6,474 0,011 0,000 Tài sản ngắn hạn Tổng tài sản 32,653 13,837 5,569 0,018 1,517E+14 Tài sản khả dụng ngắn hạn Tổng -57,742 23,450 6,063 0,008 0,000 tài sản Tài sản khả dụng ngắn hạn Nợ 34,366 12,981 7,009 0,020 8,417E+14 ngắn hạn Constant -11,234 4,824 5,423 0,065 0,000 Nguồn: Tính tốn tác giả 2.4 Phương pháp Kiểm định mơ hình 2.4.1 Kiểm dịnh Wald Từ kết phân tích hồi quy Logistics trên, ta thấy giá trị mức ý nghĩa sig biến độc lập có giá trị