Hạn chế nghiên cứu

6. Kết cấu của đề tài

3.3. Hạn chế nghiên cứu

Do thời gian nghiên cứu, kinh phí, nguồn lực có hạn, nên tác giả chỉ tập trung thu thập dữ liệu của 43 doanh nghiệp đại diện cho khách hàng pháp nhân vay vốn tại Vietcombank Ba Đình trong khoảng thời gian ngắn, chưa phân loại được ảnh hưởng của các yếu tố tài chính, vĩ mô, quản trị ở các cấp độ khác nhau đến rủi ro vỡ nợ, hạn chế kiến thức chuyên sâu, tài liệu tham khảo về tài chính doanh nghiệp, quản trị rủi ro tài chính, chính sách vĩ mô nên có thể ảnh hưởng phần nào đến kết quả nghiên cứu.Điều đó cho thấy ở một khía cạnh nào đó mẫu nghiên cứu, khía cạnh, yếu tố ảnh hưởng chưa thực sự là đại diện để phản ánh hết bản chất tác động qua lại lẫn nhau giữa các yếu tố tài chính, vĩ mô đến rủi ro vỡ nợ của khách hàng pháp nhân. Các nghiên cứu tiếp theo có thể tiếp tục khảo sát mẫu rộng hơn và có thể tìm ra thêm các nhân tố mới hoàn thiện mô hình nghiên cứu hiện tại. Bên cạnh đó, tác giả khắc phục những khó khăn như đã đề cập bằng gia tăng nguồn lực, mối quan hệ và kinh phí nghiên cứu luận văn, tham khảo ý kiến của các chuyên gia, để hoàn thiện hơn mô hình nghiên cứu đóng góp thêm một số giải pháp phát triển cho vay khách hàng pháp nhân theo hướng bền vững.”

TÓM TẮT CHƯƠNG 3

Trong chương này, nghiên cứu này đã trình bày kết luận về kết quả nghiên cứu. 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 Chi nhánh Ba Đình.

TÀI LIỆU THAM KHẢO Tiếng Việt

1. Nguyễn Văn Tiến (2010). Giáo trình quản trị rủi ro trong kinh doanh ngân hàng. NXB: thống kê

2. Hồ Diệu (2011). Nghiệp vụ tín dụng ngân hàng. NXB: Tài chính.

3. Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008). Phân tích dữ liệu nghiên cứu với SPSS, tập 1 và 2. NXB: Hồng Đức.

4. Nguyễn Đình Thọ (2011). Phương pháp nghiên cứu khoa học trong kinh doanh. NXB: Lao động xã hội.

Tiếng Anh

1. Alfan, E., Zakaria, Z. (2013). Review of Financial Performance and Distress: A Case of Malaysian Construction Companies. British Journal of Arts and Social Sciences, 12(2), 143-157.

2. Altman, E. I. and Hotchkiss Edith, (2006). Corporate Financial Distress and Bankruptcy. 3rd ed. New Jersey: John Wiley & Sons, Inc;3.

3. Altman, E. I., (1968). “Financial ratios, discriminant analysis and the prediction of coporated bankcruptcy”. The Journal of Finance, Vol 23(4), 589-609;

4. Altman, Edward I. (1968), Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, Journal of Finance, 189-209;

5. Appiah, Kingsley Opoku, and Joshua Abor. 2009. Predicting corporate failure: Some empirical evidence from the UK. Benchmarking: An International Journal 16: 432–44.

6. Beaver, W. H., (1968). Market prices, financial ratios, and the predictors of failure. Journal of Accounting Research, Vol.6, No.2 (Autumn, 1968), pp.179- 192;

7. Campbell, J. Y. et al, (2011). “Predicting financial distress and the performance of distressed stocks”. Journal of Investment management, Vol 9(2): 14 – 34; 8. Campbell, John Y., Jens Hilscher, and Jan Szilagyi. 2008. In search of distress

9. Cheng, Wen-Ying, and Sheng-Jung Li. (2003). A prediction validity meta- analysis study of impact factors on financial distress pre-warning model. Joint Conference on Business Evaluation, 66–73.

10. Hensher, David A., Stewart Jones, and William H. Greene (2007). An error component logit analysis of corporate bankruptcy and insolvency risk in Australia. Economic Record 83: 86–103

11. Hill, Nancy Thorley, Susan E. Perry, and Steven Andes (1996). Evaluating firms in financial distress: An event history analysis. Journal of Applied Business Research 12: 60–71

12. Ilahi, Ihsan, Raja Ahmed Jamil, Sibtain kazmi, Naveeda Ilahi, and Muhammad Saeed Lodhi (2015). Financial Performance analysis of Pakistan Banking Sector using Altman score model of corporate Bankruptcy. Applied Research Journal 1: 3

13. Islambouli (2003). Using financial ratios to predict financial distress of industrial companies General food in Syria ", master thesis, Damascus university, Syria. 14. Jones, Stewart, David Johnstone, and Roy Wilson (2015). An empirical

evaluation of the performance of binary classifiers in the prediction of credit ratings changes. Journal of Banking and Finance 56: 72–85

15. Lau, Amy Hing-Ling (1987). A five-state financial distress prediction model. Journal of Accounting Research 25: 127–38.

16. Li, June, and Reza Rahgozar (2012). Application of the Z-score model with consideration of total assets volatility in predicting corporate financial failures from 2000–2010. Journal of Accounting and Finance 12: 11–19.

17. Liu, Mei-Ying, Dachen Chang, and Hsien-Feng Lee (2010). The Default Prediction Power of the Market-based Approach Relative to Accounting Variables—Evidence for Taiwan and China. Paper presented at International Conference on Finance, Taipei, Taiwan, December 10–11

18. Mittal S, Lavina (2018). The determinant of financial distress in indian real estate and construction industry, Gurukul Business Review (GBR), Vol. 14 (Spring 2018), pp. 6-11.

19. Mselmi N, Lahiani A, Lamza T (2017). Financial distress prediction: The case of French small and medium-sized firms, International Review of Financial Analysis, Vol. 50, Pages 67-80

20. Ohlson, J., (1980). “Finacial ratios and the probabilistic prediction of bankruptcy”. Journal of Accounting Research, Vol 18: 109 – 131;

21. Pindado, J., et al, (2008). Estimating financial distress likelihood. Journal of Business Research, Vol 61: 995 – 1003;

22. Rugby (2006). Using financial ratios to predict financial failure of Jordanian corporation using discriminatory and logit analysis, Arabic journal of administration,vo13 (2), pp 149-173.

23. Shumway, Tyler. 2001. Forecasting bankruptcy more accurately: A simple hazard model. The Journal of Business 74: 101–24

24. Sun, Jie, Hui Li, Qing-Hua Huang, and Kai-Yu He (2014). Predicting financial distress and corporate failure: A review from the state-of-the-art definitions, modeling, sampling, and featuring approaches. Knowledge-Based Systems 57: 41–56

25. Taffler, R. J. (1982). Forecasting company failure in the UK using discriminant analysis and financial ratio data. Journal of the Royal Statistical Society. Series A (General) 145: 342–58.

26. Tinoco, M. H., Nick Wilson (2013). “Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables”. International Review of Financial Analysis, Vol 30, 394 – 419.

27. Utami W.I, Kartika P.T (2019). Determinants of Financial Distress in Property and Real Estate Companies. The Indonesian Accounting Review Vol. 9, No. 1, January - June 2019, pages 109 – 120.

28. Vieira, E. S., Pinho, C., & Correia, C. (2013). Insolvency prediction in the Portuguese construction industry. Marmara Journal of European Studies, 21(2), 143-164.

29. Wang, Zong-Jun, and Xiao-Lan Deng (2006). Corporate governance and financial distress: Evidence from Chinese listed companies. Chinese Economy 39: 5–27.

30. Waqas H, Md-Rus R (2018). Predicting financial distress: Importance of accounting and firm-specific market variables for Pakistan’s listed firms, Cogent Economics & Finance, 6:1, 1545739, DOI: 10.1080/23322039.2018.1545739 31. Whitaker, Richard B. (1999). The early stages of financial distress. Journal of

Economics and Finance 23: 123–32

32. Wu, Y., Clive Gaunt, and Stephen F. Gray. (2010). A comparison of alternative bankruptcy prediction models. Journal of Contemporary Accounting and Economics 6: 34–45.

33. Y.Wu, C.Gaunt, S.Gray (2000), A comparison of alternative bankruptcy prediction models, Journal of Contemporary Accounting & Economics, 34-4 34. Zmijewski (1984) on German and Belgian Listed Companies between 2008–

2013. Master’s thesis, University of Twente, Enschede, The Netherlands

35. Zohra F.K et al (2015). Using Financial Ratios to Predict Financial Distress of Jordanian Industrial Firms ''Empirical Study Using Logistic Regression'', Academic Journal of Interdisciplinary Studies, Vol.4 (2), 137-141.

PHỤ LỤC KẾT QUẢ NGHIÊN CỨU

. sum y osize tlta wcta clca nita flitl intwo chin

Variable | Obs Mean Std. Dev. Min Max ---+--- y | 215 .3906977 .4890454 0 1 osize | 215 14.29927 1.159147 11.7512 17.8629 tlta | 215 .5117804 .2213268 .06014 .935388 wcta | 215 .4316713 .278394 .001966 .985196 clca | 215 .2887635 .1913443 .011943 .760121 ---+--- nita | 215 .0339813 .0450387 -.286609 .173628 flitl | 215 -.0050222 .0884343 -.612694 .254769 intwo | 215 .1209302 .3268071 0 1 chin | 215 -.122366 7.353891 -79.6909 30.5629 . corre y osize tlta wcta clca nita flitl intwo chin

(obs=215)

| y osize tlta wcta clca nita flitl intwo chin ---+--- --- y | 1.0000 osize | -0.0283 1.0000 tlta | 0.0876 -0.0191 1.0000 wcta | -0.3625 0.0704 0.2173 1.0000 clca | 0.0927 0.1045 0.4649 0.2953 1.0000 nita | -0.2036 -0.0395 -0.0045 0.0509 -0.2208 1.0000 flitl | -0.1078 0.0678 -0.0431 0.0409 0.0747 -0.0763 1.0000 intwo | 0.2000 -0.1837 -0.1238 -0.0718 -0.0112 -0.3228 0.0001 1.0000 chin | -0.1975 0.0849 0.0928 0.0868 0.0313 0.5401 -0.0034 - 0.3430 1.0000

. reg y osize tlta wcta clca nita flitl intwo chin

Source | SS df MS Number of obs = 215 ---+--- F(8, 206) = 8.33 Model | 12.5053626 8 1.56317033 Prob > F = 0.0000 Residual | 38.6760327 206 .187747732 R-squared = 0.2443 ---+--- Adj R-squared = 0.2150 Total | 51.1813953 214 .239165399 Root MSE = .4333

--- y | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- osize | .0112281 .0264889 0.42 0.672 -.0409961 .0634523 tlta | .2853114 .1547695 1.84 0.067 -.0198239 .5904467 wcta | -.7224123 .1128245 -6.40 0.000 -.944851 -.4999736 clca | .3881878 .1893076 2.05 0.042 .0149591 .7614166 nita | -.5874283 .8394906 -0.70 0.485 -2.242523 1.067667 flitl | -.5696696 .3384992 -1.68 0.094 -1.237037 .0976974 intwo | .2094903 .1005004 2.08 0.038 .0113491 .4076315 chin | -.0069075 .0049848 -1.39 0.167 -.0167353 .0029203 _cons | .2747996 .395902 0.69 0.488 -.5057396 1.055339 --- . estat vif

. logit y osize tlta wcta clca nita flitl intwo chin Iteration 0: log likelihood = -143.84772

Iteration 1: log likelihood = -113.91944 Iteration 2: log likelihood = -112.52512 Iteration 3: log likelihood = -112.42668 Iteration 4: log likelihood = -112.42642 Iteration 5: log likelihood = -112.42642

Logistic regression Number of obs = 215 LR chi2(8) = 62.84 Prob > chi2 = 0.0000 Log likelihood = -112.42642 Pseudo R2 = 0.2184 ---

y | Coef. Std. Err. z P>|z| [95% Conf. Interval] ---+--- osize | .0914702 .147984 0.62 0.537 -.1985731 .3815134 tlta | 1.566686 .8793251 1.78 0.075 -.1567595 3.290132 wcta | -4.036081 .7203546 -5.60 0.000 -5.44795 -2.624212 clca | 2.075161 1.05995 1.96 0.050 -.0023033 4.152625 nita | -2.902432 5.39874 -0.54 0.591 -13.48377 7.678904 flitl | -3.715611 2.03386 -1.83 0.068 -7.701904 .2706818 intwo | 1.009639 .5422384 1.86 0.063 -.0531288 2.072407 chin | -.1254368 .0706823 -1.77 0.076 -.2639716 .013098 _cons | -1.578576 2.226801 -0.71 0.478 -5.943027 2.785874 --- . estimate store logit

. estat classification Logistic model for y

--- True --- Classified | D ~D | Total ---+---+--- + | 49 22 | 71 - | 35 109 | 144 ---+---+--- Total | 84 131 | 215 Classified + if predicted Pr(D) >= .5 True D defined as y != 0 --- Sensitivity Pr( +| D) 58.33% Specificity Pr( -|~D) 83.21% Positive predictive value Pr( D| +) 69.01% Negative predictive value Pr(~D| -) 75.69%

Phân loại tín dụng khách hàng pháp nhân

Phương pháp xử lý số liệu