2.3.1.Một số nghiên cứu trên thế giới
Irakli Ninua (2008), để ước tính mối liên hệ giữa khoản tín dụng có TSBĐ với
khả năng trả nợ của KHDN tại ProTTHHedit Bank của Georgia từ năm 2004 - 2007, tác giả sử dụng một mô hình Logit với TSBĐ như là một biến phụ thuộc. Mô hình giải thích mối quan hệ giữa tỷ lệ rủi ro tín dụng (thay cho khả năng trả nợ của KHDN) và các khoản vay có TSBĐ. Các thông tin về khả năng thanh toán khoản vay của KHDN được đánh giá thông qua tỷ lệ khoản vay không hoàn trả (LLR - Loss Reserves). Các khoản vay với LLR cao được xác định là các khoản vay rủi ro và khoản vay với LLR thấp được xác định là các khoản vay ít rủi ro.
Các biến để ước lượng LLR trong mô hình của Irakli Ninua: Biến phụ thuộc: Tỷ lệ khoản vay không trả nợ (LLR).
Biến độc lập:
- Biến giả = 1 nếu có TSBĐ, = 0 nếu là cho vay không TSBĐ (COLLATERAL).
- Giá trị khoản vay (RAMOUNT). - Thời gian cho vay (RLENGTH).
- Tỷ lệ chấp thuận số tiền vay (RATIORA).
- Biến giả cho loại khách hàng = 1 nếu khách hàng cũ, = 0 nếu khách hàng mới (CLIENTTYPE).
- Số lượng nhân viên của khách hàng tại thời điểm vay (EMPLOYMENT). - Biến giả cho thành phố, nơi đặt ngân hàng cho vay.
- Biến giả cho ngành công nghiệp của khách hàng.
Nguồn: Does a collateralized STCV have a higher probability to default? Irakli Ninua (Khoản vay thế chấp có xác suất cao hơn để mặc định không?)
Kết quả nghiên cứu cho thấy ảnh hưởng của TSBĐ là đồng biến với LLR, với mức ý nghĩa 1%. Điều đó cho thấy sự hiện diện của TSBĐ ảnh hưởng đến tỷ lệ tổn thất của ngân hàng. Trên cơ sở này, tác giả nhận định các khoản vay thế chấp có xác suất không trả nợ cao hơn nếu so sánh với các khoản vay không có TSBĐ. Tỷ lệ số tiền vay đã được phê duyệt (RATIOAR) ảnh hưởng tiêu cực đến LLR, ngụ ý khách hàng được cấp tín dụng theo yêu cầu sẽ trả nợ tốt hơn so với trường hợp không được cấp tín dụng như mong đợi.
Các công ty sử dụng nhiều lao động xu hướng có LLR cao hơn so với các công ty sử dụng ít lao động. Tác giả giải thích do các công ty lớn thường có khoản vay lớn, nghĩa vụ trả nợ lớn nên tỷ lệ rủi ro tín dụng cao tương ứng. Số tiền vay (RAMOUNT) và thời gian vay (RLEGTH) có tác động ngược chiều với LLR nhưng ảnh hưởng không đáng kể và không có ý nghĩa thống kê. Biến loại khách hàng TYPECLIENT có tác động đồng biến và có ý nghĩa ở mức 1%, mối quan hệ của ngân hàng và khách hàng làm tăng nguy cơ vỡ nợ. Đối với kết quả biến giả của các ngành công nghiệp, tác giả thấy rằng ngành sản xuất thực phẩm có tác động đồng biến và có ý nghĩa ở mức 10%, có LLR cao hơn hơn các ngành công nghiệp khác
Andrea Ruth Coravos (2010), tác giả sử dụng mô hình Logit đa thức
(Multinomial Logistic Regressions Models) để đo lường khả năng trả nợ của khách hàng là các KHDN quy mô nhỏ tại Community Development Financial Institutions (CDFIs). Biến phụ thuộc kết quả khả năng trả nợ của khách hàng được xác định dựa trên tình trạng thanh toán thực tế của khách hàng (“Strong”: chưa từng nợ quá hạn, cơ cấu nợ; “Medium”: từng hơn 1 lần nợ quá hạn 30 ngày, từng nợ quá hạn 60 ngày, từng cơ cấu nợ; “Weak”: từng nợ quá hạn 90 ngày, không trả nợ). Các biến độc lập được đưa vào mô hình gồm biến: Xi đặc điểm người vay (kinh nghiệm quản lý, giới tính giám đốc, điểm tín dụng cá nhân (Fico Score), mã ngành, thời gian kinh doanh, nợ trước khi vay, doanh nghiệp mới; Yi đặc điểm khoản vay (thời gian vay, tỷ lệ bảo lãnh của chính phủ đối với khoản vay doanh nghiệp, lãi suất, số tiền vay,...); Zi đặc điểm người cho vay (lãi suất được Fed cấp vốn) và Mi đặc điểm vĩ mô (chỉ số S&P, tỷ lệ thất nghiệp). Bộ dữ liệu chứa 530 khoản vay, trong đó bao gồm 229 khoản vay
doanh nghiệp nhỏ có bảo lãnh và 301 khoản vay doanh nghiệp nhỏ không có bảo lãnh từ năm 2002 - 2007. Dữ liệu được lấy từ một mẫu không ngẫu nhiên, tập trung vào các khoản vay “weak”, “medium”.
Kết quả nghiên cứu cho thấy kết quả hồi quy đa thức cho tất cả các khoản vay với biến cơ sở là khoản vay "weak" đưa ra mô hình các yếu tố có ảnh hưởng đến khả năng trả nợ dựa trên các biến độc lập đã đề xuất ban đầu. Biến kinh nghiệm quản lý tác động cùng chiều với khả năng trả nợ. Điểm FICO cá nhân càng cao thì khả năng trả nợ của khách hàng càng tốt. Thời gian kinh doanh tác động cùng chiều với khả năng trả nợ của khách hàng. Các khoản vay được chính phủ hỗ trợ bảo lãnh có khả năng trả nợ kém. Thời gian vay có tác động ngược chiều với khả năng trả nợ, vay càng dài khả năng trả nợ của khách hàng càng kém. Số tiền vay càng lớn thì khả năng trả nợ của khách hàng càng tốt. Biên độ lãi suất tín dụng càng cao so với lãi suất cơ bản thì khả năng trả nợ càng kém. Tỷ lệ thất nghiệp càng cao thì khả năng khách hàng càng trả nợ kém.
Gabriel Jiménez và Jesús Saurina (2004), nhóm tác giả sử dụng dữ liệu tất cả
các khoản vay của các TCTD (ngân hàng, quỹ tiết kiệm, hợp tác xã và cơ sở tài chính tín dụng) ở Tây Ban Nha với giá trị món vay hơn 6.000 Euro với trên 3 triệu dữ liệu quan sát. Để bao phủ dữ liệu cho toàn bộ một chu kỳ kinh tế, tác giả đã sử dụng dữ liệu từ các tháng trong 5 năm 1987, 1990, 1993, 1997 và 2000.
Phương pháp tiếp cận đo lường khả năng vỡ nợ dựa trên một mô hình Logit nhị thức (Binary Logistic Regressions Models) như sau:
Prob(yit = 1 / (xit, zt)) = Prob(y*it >0 / (Xit, zt)) = F(α + X’it β + Z’t γ) Trong đó, Prob (Yit = 1 / (xi , Zt)) là xác suất vỡ nợ của khoản vay. Các biến độc lập (Xit ) được xem xét đưa vào mô hình gồm các loại sản phẩm tín dụng, tiền tệ, kỳ hạn, TSBĐ, số tiền vay, lĩnh vực kinh doanh, khu vực, loại hình TCTD. Để kiểm soát các yếu tố kinh tế vĩ mô chung cho tất cả khách hàng doanh nghiệp đi vay và các khoản vay, mô hình bổ sung một biến giả năm (Zt).
Kết quả nghiên cứu cho thấy khoản vay có TSBĐ có xác suất vỡ nợ cao hơn so với khoản vay không có TSBĐ. Trong phạm vi khoản vay có TSBĐ, những
khoản vay có tỷ lệ TSBĐ cao có nguy cơ vỡ nợ thấp hơn những khoản vay có tỷ lệ TSBĐ. Ngân hàng tiết kiệm có rủi ro tín dụng cao hơn so với NHTM, nguyên nhân do mong muốn tăng nhanh quá mức thị phần tín dụng của ngân hàng tiết kiệm trong khi thiếu hụt kiến thức kinh doanh. Theo loại sản phẩm tín dụng, tín dụng tài chính là rủi ro cao nhất, tiếp theo là tín dụng thương mại. Tín dụng thương mại có xu hướng ngắn hạn (dưới một năm) và được liên kết chặt chẽ với doanh thu công ty và cơ bản được sử dụng để cung cấp vốn lưu động. Ngược lại, tài chính tín dụng có xu hướng được sử dụng cho đầu tư dài hạn có kết quả mất nhiều thời gian để chuyển hóa thành lợi nhuận. Khả năng vỡ nợ của các khoản vay bằng ngoại tệ là đáng kể nhưng thấp hơn so với các khoản vay bằng đồng tiền quốc gia. Do đặc điểm của các khoản vay ngoại tệ thường được giám sát kỹ lưỡng. Liên quan đến thời gian vay, các khoản vay ngắn hạn là những khoản vay có nguy cơ cao nhất và ngược lại đối với các khoản vay dài hạn (hơn 5 năm). Phát hiện này đi theo hướng ngược lại của các giả thuyết tín hiệu của DBTCannery (1986) (tức là rủi ro tốt muốn tăng nguồn vốn ngắn hạn) và được giải thích dựa trên cơ chế sàng lọc KHDN và quản lý tín dụng hiệu quả. Khoản vay càng lớn thì khả năng vỡ nợ càng thấp. Kết quả được giải thích dựa trên sự cẩn trọng của TCTD đối với khoản vay lớn hơn là khoản vay nhỏ. Có một sự khác biệt khả năng trả nợ của KHDN giữa các ngành kinh doanh và khu vực cấp tín dụng: ngành xây dựng (không có ý nghĩa thống kê) là rủi ro nhất, tiếp theo là kinh doanh khách sạn và nhà hàng (có tính chất vụ mùa). Ngành có nguy cơ thấp nhất là sản xuất và phân phối điện, khí đốt và nước do được chi phối bởi các công ty lớn, thường có kết quả xếp hạng tín dụng cao. Có sự khác biệt khả năng trả nợ giữa các khu vực cấp tín dụng. Liên quan đến mối quan hệ ngân hàng, tác giả nhận định mối quan hệ với ngân hàng làm gia tăng rủi ro tín dụng đối với khách hàng đó.
Kohansal và Mansoori (2009), các yếu tố ảnh hưởng đến khả năng trả nợ vay
của nông hộ ở tỉnh Khorasan - Razavi nước Iran. Nghiên cứu đã sử dụng mô hình hồi quy Logit để ước lượng, trong đó biến phụ thuộc khả năng trả nợ được định nghĩa có giá trị 1 nếu nông hộ trả nợ đúng hạn, ngược lại bằng 0 cho nông hộ trả nợ
không đúng hạn. Dữ liệu thu thập được từ bảng câu hỏi phỏng vấn cho 175 nông hộ ở vùng nông thôn. Kết quả đã chỉ ra trong số 12 biến độc lập đưa vào mô hình ước lượng thì 4 biến có ý nghĩa thống kê và ảnh hưởng thuận chiều với biến phụ thuộc là kinh nghiệm canh tác, lượng vốn vay, giá trị tài sản thế chấp, thu nhập; 3 biến có ý nghĩa thống kê và nghịch chiều với biến phụ thuộc là lãi suất vay, số tiền đề nghị vay, số tiền đến hạn trả theo phân kỳ.
2.3.2.Một số nghiên cứu tại Việt Nam
Trương Đông Lộc và Nguyễn Thanh Bình (2011), nghiên cứu các yếu tố ảnh
hưởng đến khả năng trả nợ vay đúng hạn của nông hộ tỉnh Hậu Giang. Tác giả sử dụng số liệu thu thập bằng cách phỏng vấn trực tiếp 436 nông hộ có vay vốn trong năm 2009 và đến 31/12/2009 vẫn còn dư nợ, phương pháp nghiên cứu mô hình Probit để phân tích các yếu tố ảnh hưởng đến khả năng trả nợ vay đúng hạn của nông hộ. Kết quả cho thấy khả năng trả nợ vay đúng hạn của nông hộ có tương quan thuận với thu nhập sau khi vay và số thành viên trong gia đình có thu nhập, nhưng lại có tương quan nghịch với lãi suất đi vay. Ngoài ra, kết quả phân tích cho thấy trình độ học vấn của chủ hộ càng cao thì khả năng trả nợ đúng hạn của họ càng cao. Cuối cùng, kết quả phân tích định lượng còn cho thấy rằng khả năng trả nợ đúng hạn của những hộ đi vay vốn phục vụ cho sản xuất nông nghiệp có xác suất trả nợ cao hơn những hộ vay vốn sử dụng cho mục đích phi nông nghiệp.
Lê Khương Ninh và Lê Thị Thu Diềm (2012), Nghiên cứu dùng phương pháp
định lượng để khảo sát những yếu tố ảnh hưởng đến khả năng trả nợ vay của doanh nghiệp. Tác giả dùng phương pháp chọn mẫu ngẫu nhiên các doanh nghiệp trên địa bàn thành phố Cần Thơ, mẫu khảo sát gồm 214 doanh nghiệp, tác giả sử dụng thông tin BCTC của doanh nghiệp gồm ba phần: Bảng cân đối kế toán, báo cáo kết quả HĐKD và báo cáo lưu chuyển tiền tệ. Sau khi tính toán các chỉ số tài chính, tác giả đưa vào mô hình hồi quy để ước lượng ảnh hưởng của chúng đến khả năng trả nợ của doanh nghiệp.
KNTRANO[P(Y=1)/P(Y=0)] = β0 + β1DBTC + β2DTTD + β3ROE + β4ROA +
β5DT+ β6VLD+ β7TK+ β8KNHD + β9QUYMO+
β10KN + β11CN+ β12TM+ ε
Kết quả cho thấy có 3 nhân tố ảnh hưởng đến khả năng trả nợ doanh nghiệp đó là đòn bẩy tài chính có ảnh hưởng tiêu cực đến khả năng trả nợ doanh nghiệp, ROA càng cao thì khả năng trả nợ của doanh nghiệp càng tốt, dòng tiền mạnh sẽ có khả năng thanh toán nợ vay tốt hơn.
Đoàn Thị Xuân Duyên (2013), tác giả đã nghiên cứu dạng mô hình Logit để
đo lường khả năng trả nợ của KHDN tại MHTM cổ phần Á Châu. Tác giả đã thu thập số liệu từ năm 2010-2012 của 2.951 mẫu nghiên cứu trên 22.215 mẫu tổng thể.
Kết quả nghiên cứu cho thấy có 870 khách hàng không trả nợ tốt, 2.081 khách hàng trả nợ tốt; 464 khách hàng không có khả năng trả nợ, 2.487 khách hàng không có khả năng trả nợ.
Yếu tố ảnh hưởng:
- Biến “lai suat tin dung” tác động ngược chiều (-) với khả năng trả nợ của KHDN, phù hợp với giả thiết ban đầu là lãi suất càng cao thì khả năng trả nợ càng kém.
- Biến “quy mo”: tác động ngược chiều (-), quy mô của KHDN càng lớn thì khả năng trả nợ càng kém, trái với giả thiết ban đầu.
- Biến “diem TS” và “TyleTSBD/Chovay”: có ảnh hưởng đến khả năng trả nợ của KHDN, kết quả ngược lại với quan điểm truyền thống về rủi ro KHDN càng cao thì ngân hàng càng yêu cầu TSBĐ.
- Biến “diem phi TC”, “diem XHTD”, “Lnsauthue/TTS”, “Lntruocthue&lai/TTS”, ”Doanhthu/TTS” và “VLD/TTS”. Hầu hết các biến ảnh hưởng cùng chiều phù hợp với năng lực tài chính, phi tài chính càng cao thì khả năng trả nợ của KHDN càng tốt.
Bùi Kim Yến, Nguyễn Thị Thanh Hoài (2015), đã sử dụng mẫu nghiên cứu
gồm 250 khách hàng là SME, trong đó có 36 khách hàng đang có nợ xấu. Nhóm 36 khách hàng đang có nợ xấu sẽ nhận giá trị Y=0; nhóm 214 khách hàng trả nợ tốt sẽ
nhận giá trị Y=1. Có 10 biến độc lập được tính toán từ BCTC của các công ty vào năm 2012 là: Tiền/ Tổng tài sản, Nợ phải trả/ Nợ ngắn hạn, Tài sản ngắn hạn/ Nợ ngắn hạn, Nợ ngắn hạn/ Vốn chủ sở hữu, Tổng nợ/ VSCH, Vòng quay vốn lưu động, Doanh thu/ Tổng tài sản, Nợ phải trả/ Doanh thu, Lợi nhuận chưa phân phối/ Tổng tài sản, EBIT/ Tổng tài sản.
Kết quả nghiên cứu cho thấy phương trình:
LogeP(y = 1)/ P(Y = 0) = −5.5009 + 2.0101*X3 − 0.4111*X4 + 4.4743*X7
Mô hình được lựa chọn do tất cả các biến đều có ý nghĩa thống kê ở mức sai số chuẩn hồi quy bằng 5%. Mô hình đã dự đoán đúng được 52,78% trường hợp doanh nghiệp đang có nợ xấu; còn với các doanh nghiệp đang hoạt động hiệu quả, mô hình dự đoán đúng 97,66% trường hợp. Tỷ lệ dự đoán đúng của mô hình là 91,20%. Kết quả mô hình nghiên cứu cho thấy rằng các chỉ tiêu tài chính ảnh hưởng đến khả năng trả nợ của DNVVN bao gồm: Hệ số thanh toán ngắn hạn, Nợ ngắn hạn/VCSH, Doanh thu/Tổng tài sản.
Mức độ ảnh hưởng: chỉ tiêu có ảnh hưởng lớn nhất là X7: Doanh thu/Tổng tài sản với hệ số hồi quy bằng 4.4743; tiếp theo là X3: Hệ số thanh toán ngắn hạn (Tài sản ngắn hạn/Nợ ngắn hạn) với hệ số hồi quy là 2.0101 và cuối cùng là X4: Nợ ngắn hạn/Vốn chủ sở hữu với hệ số hồi quy là -0.4111. Chỉ tiêu X7 và X3 có tương quan thuận với khả năng trả nợ của SME, chỉ tiêu X4 có tương quan nghịch với khả năng trả nợ của khách hàng. Kết quả này phù hợp với kỳ vọng ban đầu của tác giả, cũng như phù hợp với các nghiên cứu trước đây.
Lê Vũ Lộc (2016), Nghiên cứu các nhân tố ảnh hưởng đến khả năng trả nợ vay
đúng hạn của doanh nghiệp tại NHTM Cổ phần Ngoại thương Việt Nam (Vietcombank), tác giả sử dụng mẫu dữ liệu 710 KHDN có quan hệ tín dụng với Vietcombank trong năm 2014.
Tác giả sử dụng mô hình hồi quy logistic để nghiên cứu:
Y = β0 + β1 USE + β2 ROE + β3 EXP + β4 GENDER + β5 AGE +β6 SIZE +β7 BANK + β8 CASH + β9 YEAR + β10DNNN + β11LS + β12 LOAN +
Trong đó, Biến phụ thuộc Y là khả năng trả nợ của doanh nghiệp, các biến độc lập gồm mục đích sử dụng vốn, thu nhập sau khi vay, kinh nghiệm người điều hành, giới tính người điều hành, tuổi người điều hành, quy mô doanh nghiệp, số lượng