6. Kết cấu của đề tài
2.3.3. Các kiểm định mô hình đo lường rủi ro vỡ nợ của khách hàng pháp nhân
tại Vietcombank Chi nhánh Ba Đình
Như ở phía trên đã trình bày, nghiên cứu sử dụng mô hình Binary logistic để ước lượng các yếu tố ảnh hưởng đến rủi ro vỡ nợ tại 43 công ty có hồ sơ vay vốn tại Vietcombank Chi nhánh Ba Đình và sử dụng các phương pháp kiểm định cho mô hình. Biến phụ thuộc trong mô hình này là rủi ro vỡ nợ (nhận hai giá trị vỡ nợ hoặc không vỡ nợ).
2.3.3.1. Kiểm định độ phù hợp tổng quát
Cột Chi2 và sig. thể hiện kết quả kiểm định Chi bình phương, đây là kiểm định để xem hệ số hồi quy các biến động lập có đồng thời bằng 0 hay không, nếu sig <0.05 thì mô hình hồi quy có ý nghĩa thống kê (Hoàng Trọng và Chu Nguyên Mộng Ngọc, 2008).Kiểm định Chi2 bảng 4.13 cho thấy các mô hình nghiên cứu cho thấy P = 0.000 < 0.01 (độ tin cây 99%). Như vây các biến độc lâp có mối quan hệ tuyến tính với biến phụ thuộc trong tổng thể hay mô hình có ý nghĩa giải thích các yếu tố ảnh hưởng đến rủi ro vỡ nợ của khách hàng pháp nhân tại Vietcombank Chi nhánh Ba Đình. Đồng thời dựa vào giá trị P = 0.000 < 0.1 tức R2 hiệu chỉnh khác 0, các biến được đưa vào phương trình hồi quy Logistic thật sự tác động và giải thích sự thay đổi của biến phụ thuộc nên mô hình phù hợp.
Bảng 2.18. Kiểm định sự phù hợp của mô hình tổng quát
Rủi ro vỡ nợ 62.84 .000
Nguồn: Tác giả tự tính toán
2.3.3.2. Kiếm định sự phù hợp của mô hình
Hồi quy Logistic sử dụng chỉ tiêu -2LL (-2 Log Likelihood) để đánh giá độ phù hợp của mô hình. -2LL càng nhỏ càng thể hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có độ phù hợp cao. Kết quả Bảng 4.14cho thấy các giá trị của -2LL cao vừa phải, như vây nó thể hiện mức độ phù hợp ở mức trung bình của mô hình đo lường rủi ro vỡ nợ của khách hàng pháp nhân tại Vietcombank Chi nhánh Ba Đình.
Bảng 2.19. Kiểm định phù hợp của mô hình
Mô hình -2LL (-2 Log
Likelihood)
p-value
Rủi ro vỡ nợ -112.426 0.000
Nguồn: Tác giả tự tính toán
2.3.3.3. Kiểm định Hosmer and Lemeshow
Để kiểm chứng có hay không mô hình logit là phù hợp, nghiên cứu đã sử dụng phương pháp Hosmer-Lemeshow để kiểm định sự phù hợp của các mô hình. Kết quả kiểm định cho thấy giá trị Chi2 của Hosmer-Lemeshow là không có ý nghĩa (p-value >0.05). Điều này cho thấy các mô hình phù hợp tốt với dữ liệu.
Bảng 2.20. Kiểm định Hosmer and Lemeshow Mô hình
Hosmer and Lemeshow Test
Chi2 Sig.
Rủi ro vỡ nợ 218.8 0.2576
Nguồn: Tác giả tự tính toán
2.3.3.4. Kiểm định mức độ giải thích của mô hình
Kiểm định mức độ giải thích của mô hình là phương pháp xác suất dự đoán đối với biến phụ thuộc rủi ro vỡ nợ của khách hàng pháp nhân tại Vietcombank Chi nhánh Ba Đình.
Bảng 2.21. Mức độ giải thích của mô hình các nhân tố ảnh hưởng đến rủi ro vỡ nợ của các khách hành pháp nhân tại Vietcombank Chi nhánh Ba Đình
Quan sát Rủi ro vỡ nợ Mức độ chính xác kết quả dự báo (%) Không vỡ nợ Vỡ nợ Không vỡ nợ 49 22 69.01% Vỡ nợ 35 109 75.69% Tỷ lê dự báo chính xác 73.49%
Nguồn: Tác giả tự tính toán
Với 43 khách hàng doanh nghiệp tại Vietcombank Ba Đình Việt Nam giai đoạn 2015-2019 tương ứng với 215 mẫu nghiên cứu, xác suất có khả năng rủi ro vỡ nợ được dự đoán đúng 109/144 mẫu dữ liệu, như vậy tỷ lệ dự đoán đúng là 75.69% (Bảng 4.16). Đối với 49/71 mẫu dữ liệu được đánh giá không xảy ra vỡ nợ, xác suất mô hình dự đoán đúng là 69.01 %. Như vây, trong tổng số 215 dữ liệu tài chính của 43 công ty có hồ sơ vay vốn tại Vietcombank Ba Đình giai đoạn 2015-2019 thì có 158 mẫu dữ liệu được dự đoán chính xác về khả năng rủi ro vỡ nợ, mô hình dự đoán đúng với tỷ lệ 73.49%. Điều này cho thấy sự phù hợp của kết quả hồi quy Logistic các nhân tố ảnh hưởng đến rủi ro vỡ nợ của các khách hành pháp nhân tại Vietcombank Chi nhánh Ba Đình.
2.3.3.5. Tỷ lệ dự báo chính xác (ROC)
Đường cong ROC dự đoán ngẫu nhiên là một đường thẳng tạo một gốc 45 độ với trục hoành, tính từ phía dưới bên trái đến phía trên bên phải. Mô hình là hiệu quả nhất khi đạt được điểm ở góc trên bên trái của không gian ROC (Nguyễn Đình Thọ, 2011). Mô hình nào tạo ra kết quả nằm bên trên phía trái của đường dự đoán ngẫu nhiên có khả năng dự báo tốt và ngược lại. Kết quả hình 4.2 cho thấy
Biểu đồ 2.6. Đường cong ROC mô hình rủi ro vỡ nợ của các khách hành pháp nhân tại Vietcombank Chi nhánh Ba Đình
Nguồn: Tác giả tự tính toán
2.3.4. Độ nhạy của mô hình
Hầu hết các mô hình phân loại (bất kể chúng là mô hình Binary Logistic hay các cách tiếp cận của Machine Learning) thì kết quả cuối cùng của mô hình vẫn là “xác suất xẩy ra sự kiện quan tâm” - tức là một con số bất kì nào đó nằm giữa 0 và 1 (Hoàng Trọng và Chu Nguyên Mộng Ngọc, 2008). Hầu hết các phần mềm nếu để mặc định thì ngưỡng được chọn để dán nhãn luôn là 0.5. Bảng 4.10 cho kết quả đánh đổi giữa các tiêu chí đo lường mức độ chính xác và ngưỡng được chọn >0.5 với hầu hết các giá trị Sig. <0.05. Điều này cho thấy các nhân tốtrong mô hình rủi ro vỡ nợ của các khách hành pháp nhân tại Vietcombank Chi nhánh Ba Đình có độ nhạy tốt, gắn nhãn “Good”. 0 .0 0 0 .2 5 0 .5 0 0 .7 5 1 .0 0 Se n si ti vi ty 0.00 0.25 0.50 0.75 1.00 1 - Specificity
Biểu đồ 2.7. Phân tích độ nhạy mô hình rủi ro vỡ nợ của các khách hành pháp nhân tại Vietcombank Chi nhánh Ba Đình
Nguồn: Tác giả tự tính toán
0 .0 0 0 .2 5 0 .5 0 0 .7 5 1 .0 0 Se n si ti vi ty/ Sp e ci fi ci ty 0.00 0.25 0.50 0.75 1.00 Probability cutoff Sensitivity Specificity
2.3.5. Kết quả hồi quy và thảo luận tác động của các nhân tố ảnh hưởng đến rủi ro vỡ nợ của các khách hành pháp nhân tại Vietcombank Chi nhánh Ba Đình
Kết quả hồi quy tại bảng 4.10 cho thấy theo mô hình lý thuyết có biến tác động đến xác suất rủi ro vỡ nợ của khách hàng pháp nhân tại Vietcombank Chi nhánh Ba Đình với mức ý nghĩa kiểm định khi đưa vào mô hình (p < 0,1) bao gồm các biến đọc lập và biến phụ thuộc là xác suất rủi ro vỡ nợ của khách hàng pháp nhân tại Vietcombank Chi nhánh Ba Đình. Trong đó hệ số β có tác dụng giải thích chiều tác động của các nhân tố đến sự thay đổi của biến phụ thuộc (Nguyễn Đình Thọ, 2011).
Kết quả phân tích hồi quy bằng hàm Binary logistic với mẫu nghiên cứu bao gồm 43 khách hàng doanh nghiệp tại Vietcombank Ba Đình Việt Nam cho thấy 07/08 nhân tố có ý nghĩa thống kê ở các mức 1%, 5% và 10%.
Bảng 2.22. Kết quả hồi quy Logistic mô hình tác động của các nhân tố ảnh hưởng đến rủi ro vỡ nợ của các khách hành pháp nhân tại Vietcombank Chi
nhánh Ba Đình Nhân tố Β OSIZE 0.0915 [0.62] TLTA 1.567* [1.78] WCTA -4.036*** [-5.60] CLCA 2.075* [1.96] NITA -2.902 [-0.54] FLITL -3.716* [-1.83] INTWO 1.010* [1.86]
CHIN -0.125* [-1.77] Hệ số chặn -1.579 [-0.71] Số quan sát 215 R2 0.2184 Hosmer-Lemeshow 0.2576 Tỷ lệ dự báo chính xác 73.49% Độ phù hợp tổng quát (Chi2) -112.426 (p <0.05)
Độ nhạy ROC “Good”
Nguồn: Tác giả tự tính toán
Kết quả phân tích kiểm định cho thấy mô hình nghiên cứu rủi ro vỡ nợ của khách hàng pháp nhân tại Vietcombank Chi nhánh Ba Đình là khá phù hợp và có ý nghĩa khoa học và thực tiễn. Nghiên cứu này đã cho thấy các doanh nghiệp có xác suất rơi vào tình trạng rủi ro vỡ nợ cao khi tỷ lệ vốn luân chuyển/tài sản, lợi nhuận ròng/tài sản, tỷ lệ dòng tiền thuần/tài sản, tăng trưởng doanh thu thấp. Trong khi đó các quy mô tài sản, tỷ lệ nợ ngắn hạn/tài sản cao và thua lỗ 2 năm liên tiếp thì doanh nghiệp có xu hướng rủi ro vỡ nợ. Cuối cùng, bài viết đưa ra một mô hình đơn giản, tiện dụng giúp nhà đầu tư ước lượng xác suất rủi ro vỡ nợ của khách hàng doanh nghiệp tại Vietcombank Ba Đình.
Mô hình dự báo này có tỷ lệ dự báo đúng trên tổng thể là 73.49%. Riêng nhân tố tỷ số đòn bẩy tài chính không có tác động đến rủi ro vỡ nợ của các khách hàng doanh nghiệp tại Vietcombank Ba Đình. Tuy nhiên, nghiên cứu này có hạn chế là số lượng DN rủi ro vỡ nợ quá ít nên tỷ lệ dự báo đúng trong mẫu nghiên cứu quá lớn, dẫn đến kết quả là tỷ lệ dự báo đúng đối với DN bị rủi ro vỡ nợ chỉ ở mức 79.22%. Do vậy, trong tương lai nghiên cứu sẽ mở rộng mẫu nghiên cứu, bổ sung ngành xây dựng và công trình để mô hình dự báo có tính chính xác cao hơn.
Kết quả nghiên cứu cho thấy đòn bẩy tài chính (TLTA) tác động tích cực đến rủi ro vỡ nợ. Kết quả nghiên cứu này đồng với quan điểm Ohlson (1980), Jones (1987), Almamy và cộng sự (2016). Khi tỷ số nợ tỷ tăng thì khả năng rủi ro vỡ nợ cũng tăng. Do đó, doanh nghiệp sử dụng nợ càng nhiều, rủi ro vỡ nợ càng tăng, làm
tăng nguy cơ rủi ro vỡ nợ của doanh nghiệp.có thể thấy trong cơ cấu tài sản tỷ lệ nợ của các công ty khá thấp cho thấy các doanh nghiệp phải độc lập về tài chính cao, điều này thể hiện nguồn vốn chủ sở hữu dồi dào. Tuy nhiên, chỉ số này cũng phản ánh huy động vốn của các doanh nghiệp càng khó khăn. Mặc dù, các doanh nghiệp đang chủ động tìm kiếm các nguồn vốn khác nhau nhưng do tâm lý nhà đầu tư đang e ngại khiến con đường gọi vốn của các doanh nghiệp đi vào ngõ cụt.
WCTA tác động tiêu cực đến xác suất rủi ro vỡ nợ của các doanh nghiệp niêm yết. Điều này có nghĩa là việc gia tăng các khoản ngắn hạn với tỷ lệ tối ưu sẽ giúp doanh nghiệp gia tăng khả năng chống đỡ với thanh khoản ngắn hạn.Rõ ràng, không cân đối được tài sản ngắn hạn gây nên sự mất cân đối trong chính sách tài trợ của doanh nghiệp sẽ gây nên nguy cơ rủi ro vỡ nợ gia tăng (Almamy và cộng sự 2016; Utami và Kartika, 2019; Ashraf và cộng sự, 2019).
CLCA càng cao nghĩa là các doanh nghiệp có thể rơi vào trạng thái mất thanh khoản dẫn đến rủi ro vỡ nợ. Nghiên cứu của Almamy và cộng sự (2016), Ashraf và cộng sự (2019) khi doanh nghiệp phụ thuộc lớn vào khoản vay nợ ngắn hạn thì sẽ dẫn đến áp lực lên việc thanh toán các khoản nợ trong thời gian ngắn sẽ gia tăng, nếu doanh nghiệp không có phương án/giải pháp trả nợ hiệu quả sẽ có thể dẫn đến khủng hoảng tài chính. Rủi ro thanh khoản của các doanh nghiệp đang ở mức đáng báo động. Mặc dù, các doanh nghiệp có lợi thế cạnh tranh nhất định, tuy nhiên việc dòng tiền kinh doanh không khỏe mạnh và rất ít nợ vay dẫn thanh khoản thấp.
NITA đo lường bằng tỷ lệ lãi ròng/ tổng tài sản, là một chỉ số rất quan trọng đối với một doanh nghiệp, nó giúp cho nhà quản trị đánh giá được mức độ hiệu quả trong việc sử dụng tài sản trong doanh nghiệp (Altman,1968; Ohlson, 1980). Altman (1968), Shumway (2001), Wu và cộng sự (2010) chỉ ra rằng NITA càng cao cho thấy doanh nghiệp càng kiếm được nhiều lợi nhuận từ số tài sản hiện có. Có thể thấy rằng khi doanh nghiệp SXKD hiệu quả đồng nghĩa với tài chính ổn định. tỷ lệ NITA có xu hướng tăng, song lợi nhuận của các doanh nghiệp này không phản ánh đúng thực chất hoạt động kinh doanh kết lõi. Bằng chứng, các doanh nghiệp có lợi lợi nhuận trước thuế và lãi vay (EBIT) giảm mạnh nhất thị trường trong 3 năm trở lại đây. Chỉ tiêu này phản ánh tình hình kinh doanh cốt lõi của doanh nghiệp, không bao gồm các
khoản thu nhập tài chính.Việc dòng tiền từ hoạt động kinh doanh và khả năng trả lãi vay giảm có thể là nguyên nhân chính khiến các doanh nghiệp phải vay nhiều hơn để duy trì hoạt động kinh doanh.
FLITL đo lường bằng tỷ lệ dòng tiền hoạt động kinh doanh/ tổng nợ. Chỉ tiêu này phản ánh sự cân đối dòng tiền các dòng tiền chi phí của doanh nghiệp thường xuyên trong quá trình SXKD trong việc tài trợ cho các khoản nợ (Ohlson,1980, Appiah and Abor 2009; Christidis và Gregory 2010; Almamy và cộng sự, 2016). Khi chỉ số này tăng là dấu hiệu cho thấy doanh nghiệp có khả năng duy trì tốt việc thực hiện các nghĩa vụ của mình đối với các khoản nợ, do đó mà xác suất xảy ra khủng hoảng tài chính sẽ thấp hơn. Có thể thấy, doanh thu, lợi nhuận của nhiều doanh nghiệp chỉ đơn thuần là công tác hạch toán khi bàn giao nhà theo quy định kế toán, còn dòng tiền từ các dự án cũ thì đã ghi nhận các năm trước. Doanh nghiệp báo lãi trên BCTC không có nghĩa là có dòng tiền mới chảy về, đây có thể hiểu là điều mà các NĐT cần đặc biệt chú ý khi lựa chọn đầu tư nhóm cổ phiếu này.
INTWO với việc doanh nghiệp hoạt động thiếu hiệu quả, không đảm bảo được khả năng thanh toán, dòng tiền hoạt động bất ổn (Foster 1978; Lau 1987; Cheng và cộng sự, 2006). Đó là dấu hiệu dự báo của cuộc khủng hoảng tài chính của các doanh nghiệp.
CHIN tác động tiêu cực đến xác suất rủi ro vỡ nợ đối với doanh nghiệp. Điệu này ngụ ý rằng việc tăng trưởng doanh thu tích cực sẽ là dấu hiệu cho thấy doanh nghiệp sẽ ổn định tài chính hơn. Kết quả nghiên cứu này củng cố quan điểm của Almamy và cộng sự (2016), Ashraf và cộng sự (2019) rằng doanh nghiệp có tốc độ tăng trưởng doanh thu tốt cho thấy họ đang hoạt động hiệu quả, đây là dấu hiệu tích cực đối với sự ổn định tài chính của doanh nghiệp.
Bảng 2.23. Tổng hợp các kết quả nghiên cứu Ký hiệu biến Ký hiệu gốc Nguồn Giả thuyết Kết quả X1 OSIZE Altman(1968), Campbell và cộng sự (2008); Sun và cộng sự (2014) + Bác bỏ
X2 TLLA Ohlson (1980), Almamy và
cộng sự (2016) - Chấp nhận X3 WCTA Ohlson (1980), Almamy và cộng sự (2016), Ashraf và cộng sự (2019) - Chấp nhận X4 CLCA Ohlson (1980), Almamy và cộng sự 2016; Utami và Kartika, 2019 + Chấp nhận X5 NITA Ohlson (1980), Almamy và cộng sự (2016), Ashraf và cộng sự (2019) - Chấp nhận X6 FLITL Ohlson (1980), Wu và cộng sự (2010) - Chấp nhận X7 INTWO Ohlson (1980), Christidis và Gregory (2010); Almamy và cộng sự (2016) + Chấp nhận
X8 CHIN Ohlson (1980); Cheng và cộng
sự (2006) -
Chấp nhận
TÓM TẮT CHƯƠNG 2
Trong chương này nghiên cứu đã trình bày giới thiệu tổng quan về ngân hàng TMCP Ngoại Thương Việt Nam Chi Nhánh Ba Đình. Phân tích thực trạng rủi ro vỡ nợ và các nhân tố ảnh hưởng đến rủi ro vỡ nợ của KHPN tại VCB Ba Đình. Nghiên cứu đã đề xuất mô hình nghiên cứu, các nhân tố ảnh hưởng đến rủi ro vỡ nợ của KHPN. Dữ liệu nghiên cứu và cách thức xử lý số liệu cũng được trình bày rõ trong chương này. Kết quả nghiên cứu cho thấy 4/8 biến số độc lập đưa vào đánh giá có ảnh hưởng tích cực đến rủi ro vỡ nợ của khách hàng pháp nhân, các biến số có ảnh hưởng tiêu cực đến rủi ro vỡ nợ của khách hàng pháp nhân bao gồm: OSIZE, CLCA, WCTA, INTWO. Các biến số TLTA, NITA, FUTL và CHIN có tác động tích cực đến rủi ro vỡ nợ của khách hàng pháp nhân. Từ những kết quả nghiên cứu trên, tác giả đưa ra khuyến nghị và đề xuất một số chính sách nhằm hỗ trợ cho việc đánh giá rủi ro vỡ nợ của khách hàng pháp nhân tại Ngân hàng TMCP Ngoại thương Việt Nam