4.4.1. Xây dựng mô hình tính toán xác suất trả nợ
Nghiên cứu này sử dụng phần mềm thống kê SPSS để chạy hồi quy logit nhị phân. Mức ý nghĩa (α) 5% được sử dụng trong nghiên cứu này.
Ước lượng mô hình logit với đầy đủ các biến số, ta thu được kết quả thể hiện trong bảng kết quả dưới đây:
Bảng 4.6. Tóm tắt kết quả mô hình gốc
Omnibus Tests of Model Coefficients
Chi-square df Sig. Step 1 Step 68.792 9 .000 Block 68.792 9 .000 Model 68.792 9 .000 Model Summary
Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square
1 287.510a 0,157 0,328
Nguồn: Tính toán từ chương trình SPSS
Omnibus Tests được sử dụng để kiểm định giả thiết H0: β1 = β2 =...= βk =0. Tuy nhiên ta thấy OB- Sig = 0,00 < 5% . Do đó ta bác bỏ H0. Tức các hệ số β của mô hình không đồng thời bằng 0. Như vậy mô hình gốc là phù hợp.
Trong phương pháp hồi quy logit nhị phân, chỉ số -2 Log likelihood được sử dụng để đánh giá sự phù hợp của mô hình với tổng thể. Giá trị -2 Log likelihood nhỏ thì chứng tỏ mô hình có sự phù hợp với tổng thể (giá trị tối thiểu của -2 Log likelihood là 0 khi mô hình có sự phù hợp hoàn hảo). Kết quả của mô hình cho thấy -2 Log likelihood = 287.510 là tương đối lớn. Do đó sự phù hợp của mô hình đối với tổng thể là không cao.
Tiếp theo, ta sẽ tiến hành chạy mô hình hồi quy logit. Từ kết quả mô hình, ta sẽ lần lượt kiểm tra hệ số Sig của từng biến. Với mức ý nghĩa 10%, nếu Sig của các biến độc lập > 10% thì các biến này không có ý nghĩa thống kê. Do đó ta sẽ lần lượt thực hiện kiểm định Wald Test đối với các biến này. Nếu kiểm định F có P > 0,05 và kiểm định Chi-square có P > 0,05 thì ta chấp nhận giả thiết H0 và sẽ tiến hành loại bỏ các biến này ra khỏi mô hình. Các bước thực hiện mô hình hồi quy logit và các kiểm định cần thiết được trình bày cụ thể tại Phụ lục A.
Sau khi thực hiện kiểm định Wald Test lần lượt các biến, ta thu được kết quả hồi quy tại Bảng 4.7.
Bảng 4.7. Kết quả mô hình hồi quy Logit
B S.E. Wald df Sig. Exp(B)
Step 1a EQUIA 2, 125 1, 039 4, 181 1 0, 041 8, 376 LENLN -0, 415 0, 063 43, 346 1 0, 000 0, 661 LOGTA 1, 183 0, 293 16, 335 1 0, 000 3, 263 OWNSP 1, 166 0, 589 3, 913 1 0, 048 3, 209 WCLTA 2, 111 0, 937 5, 071 1 0, 024 8, 255 Constant -2, 526 1, 556 2, 635 1 0, 105 0, 080
Nguồn: Tính toán từ chương trình SPSS
Nhận thấy tất cả các biến sau kết quả hồi quy này đều có ý nghĩa thống kê với mức ý nghĩa 10%.
Như vậy, ta có thể mô tả xác suất trả nợ của các KHDN như sau:
P| POLRP =1|= 𝑒−2,529+2,125EQUIA−0,415LENLN+ 1,183LOGTA+ 1,166 OWNSP+2,111WCLTA 1 +𝑒−2,529+2,125EQUIA−0,415LENLN+ 1,183LOGTA+ 1,166 OWNSP+2,111WCLTA Các biến số tác động đến xác suất trả nợ vay của KHDN bao gồm:
- C: Hệ số chặn
- EQUIA: Vốn chủ sở hữu/Tổng tài sản - LENLN: Thời gian vay
- LOGTA: Quy mô doanh nghiệp - OWNSP: Loại hình DNNN
- WCLTA: Vốn lưu động/Tổng tài sản
Bảng kết quả hồi quy mô hình cho thấy hệ số của các biến vốn chủ sở hữu/tổng tài sản; thời gian vay; quy mô doanh nghiệp và vốn lưu động/tổng tài sản đều mang dấu như kỳ vọng của tác giả. Tuy nhiên chỉ có biến loại hình DNNN là trái ngược so với kỳ vọng dấu của tác giả.
Độ chính xác của mô hình này là rất cao với 89,91%, được tóm tắt trong Bảng 4.8. như sau:
Bảng 4.8. Tỷ lệ chính xác của mô hình nghiên cứu
Nguồn: Tính toán từ chương trình SPSS
Kết quả mô hình dự đoán đối với mẫu nghiên cứu bao gồm 599 quan sát như sau: trong 60 quan sát không trả được nợ thì mô hình dự đoán có 44 trường hợp không trả được nợ, do đó tỷ lệ dự đoán đúng là 49/60= 81,67% và trong 539 quan sát trả được nợ thì mô hình dự đoán có 529 trường hợp trả được nợ, do đó tỷ lệ dự đoán đúng là 529/539= 98,14%. Như vậy tỷ lệ dự đoán chính xác của mô hình là (81,67% + 98,14%)/2 = 89,91%
Sau đây, ta sẽ tiến hành thực hiện kiểm định để xem xét mô hình kết quả có thể được sử dụng để dự báo hay không.
Ta thực hiện kiểm định Hosmer-Lemeshow để kiểm định tính định dạng đúng của mô hình với:
Observed
Predicted
POLRP Percentage Correct
0 1
Step 1 POLRP
0 49 11 81,67
1 10 529 98,14
H0: Không có sự khác biệt giữa giá trị thực tế và giá trị dự báo (Mô hình được dùng để dự báo)
H1: Có sự khác biệt giữa giá trị thực tế và giá trị dự báo(Mô hình không được dùng để dự báo)
Bảng 4.9. Kết quả kiểm định Hosmer and Lemeshow Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 15,01 8 0,0589
Nguồn: Tính toán từ chương trình SPSS
Ta có p value = 0,0589 > α= 5%. Do đó ta chấp nhận H0. Như vậy, không có sự khác biệt giữa giá trị thực tế và giá trị dự báo, do đó mô hình có thể được sử dụng để dự báo.
4.4.2. Tính xác suất vỡ nợ
Sau khi phân tích ở bước 1, nghiên cứu này đưa ra mô hình cuối cùng để ước tính khả năng trả nợ vay của KHDN tại VCB.HCM như sau:
P| POLRP =1|= 𝑒
−2,529+2,125EQUIA−0,415LENLN+ 1,183LOGTA− 1,166 OWNSP+2,111WCLTA 1 +𝑒−2,529+2,125EQUIA−0,415LENLN+ 1,183LOGTA − 1,166 OWNSP+2,111WCLTA Ta có PD = 1 – POLRP
Do đó, nghiên cứu sẽ kết hợp với tất cả các dữ liệu cần thiết của 202 DN được lựa chọn vào hai công thức trên để tính toán xác suất vỡ nợ của các DN này. Kết quả sẽ được mô tả cụ thể trong Phụ lục C
4.4.3. Kiểm tra tính phù hợp của mô hình với mẫu dữ liệu đối chứng.
Mẫu đối chứng sẽ được thực hiện để đánh giá tính phù hợp của mô hình ước lượng, dữ liệu được lựa chọn theo phương pháp ngẫu nhiên để đảm bảo tính khách quan của mô hình ước lượng xác suất vỡ nợ. Quy mô mẫu này gồm 300 quan sát của 100 khách hàng doanh nghiệp có phát sinh quan hệ tín dụng tại VCB.HCM trong giai
đoạn 2014-2016. Trong đó bao gồm 260 quan sát là các KHDN có khả năng trả nợ và 40 quan sát là các KHDN không trả được nợ.
Như vậy, ta sẽ tiến hành nhập dữ liệu của 300 quan sát này vào mô hình kết quả xác suất trả nợ sau:
P| POLRP =1|= 𝑒
−2,529+2,125EQUIA−0,415LENLN+ 1,183LOGTA+ 1,166 OWNSP+2,111WCLTA 1 +𝑒−2,529+2,125EQUIA−0,415LENLN+ 1,183LOGTA+ 1,166 OWNSP+2,111WCLTA
Kết quả độ chính xác của mô hình nghiên cứu đối với mẫu dữ liệu đối chứng là rất cao với 91,73%, được trình bày tại Bảng 4.10.
Bảng 4.10. Tỷ lệ chính xác của mô hình đối chứng
Nguồn: Tính toán từ chương trình SPSS
Như vậy, trong 40 quan sát không trả được nợ của mẫu đối chứng thì mô hình dự đoán có 34 trường hợp không trả được nợ, do đó tỷ lệ dự đoán đúng là 34/40= 85,0% và trong 260 quan sát trả được nợ thì mô hình dự đoán có 256 trường hợp trả được nợ, do đó tỷ lệ dự đoán đúng là 256/260= 98,46%. Như vậy tỷ lệ dự đoán chính xác của mô hình là (85,0% + 98,46%)/2 = 91,73%.