Loại
biến Ký hiệu Biến độc lập
Kỳ vọng
dấu Nghiên cứu trước
Đặc điểm của khoản vay Thời gian vay (LENLN)
Khoảng thời gian trả nợ
gốc của món vay (-) Flannery (1986) Coravos (2010) Tỷ lệ TSĐB (COLRA) Tỷ lệ tài sản bảo đảm/ mức cấp tín dụng (-) Jimenez và Saurina (2004) Ninua (2008) Tình hình tài chính của khách hàng VLĐ/TTS (WCLTA) Vốn lưu động /Tổng tài sản (+) Altman (1968) Taffler (1984) EBIT/TTS (EBITA)
Lợi nhuận trước thuế, trước lãi vay/Tổng tài sản (+) Chava và Jarrow (2004) Pederzoli và Torricelli (2010) VCSH/TTS (EQUIA) Vốn chủ sở hữu/Tổng tài sản (+) Lo (1986) Pederzoli và Torricelli (2010) DTT/TTS (SALTA)
Doanh thu thuần/Tổng
tài sản (+) Park và Han (2002) Pederzoli và Torricelli (2010) Quy mô (LOGTA)
Quy mô tổng tài sản của
Khách hàng (+)
Ohlson (1980) Hol (2007)
hình phi tài chính của khách hàng động (AGEBS) doanh của khách hàng (2001) Le và Nguyen (2013) Loại hình DNNN (OWNSP) Biến giả = 1: Khách hàng sở hữu trên 50% vốn Nhà Nước Biến giả = 0: Khách hàng sở hữu dưới hoặc bằng 50% vốn Nhà Nước
(-) Friedrich (2013)
Ghi chú: (+) tương quan đồng biến; (-) tương quan nghịch biến
Nguồn: Tổng hợp của tác giả
Bảng 4.2 trình bày các biến độc lập trong mơ hình nghiên cứu. Đó là các yếu tố mà tác giả kỳ vọng có ảnh hưởng đến khả năng trả nợ của KHDN.
Phần tiếp theo sau đây thảo luận một cách ngắn gọn về cơ sở lập luận về kỳ vọng dấu đối với sự tác động của từng biến độc lập đến khả năng trả nợ của KHDN. Đồng thời trình bày cách đo lường các biến độc lập, cụ thể như sau:
Thời gian vay: được đo lường bằng kỳ hạn trả nợ gốc. Trong thực tế, kỳ hạn
trả nợ phản ánh chính xác hơn về khả năng thực hiện nghĩa vụ trả nợ vay so với tổng thời hạn cho vay.
Thực tế cho thấy lãi suất vay là cao hơn với các khoản vay có thời gian vay dài hơn. Bởi lẽ, các NHTM nhận định rằng việc kiểm soát rủi ro đối với các khoản vay dài hạn của KHDN là khó khăn hơn. Trong nghiên cứu của mình, Flannery (1986) cho biết khách hàng nhận định bản thân DN có rủi ro tín dụng thấp sẽ ưa thích vay ngắn hạn hơn thay vì vay dài hạn nhằm tiết kiệm chi phí lãi vay. Do đó, KHDN rủi ro thấp hơn sẽ lựa chọn tài chính ngắn hạn, đồng thời phát tín hiệu rủi ro thấp, khả năng trả nợ tốt. Bên cạnh đó trong trường hợp bất cân xứng thơng tin, các NHTM có thể cấp cho DN thời hạn vay dài hơn so với nhu cầu vốn thực tế của DN. Điều này sẽ tạo điều kiện cho các DN có thể sử dụng nguồn vốn tạm thời dư thừa này đầu tư ngồi ngành hoặc sử dụng vốn sai mục đích dẫn tới nguy cơ mất khả năng thanh tốn...Do đó, trong nghiên cứu này, tác giả kỳ vọng thời gian vay có tác động ngược chiều đến khả năng trả nợ của KHDN.
Tỷ lệ TSĐB: sẽ được tính tốn bằng cơng thức giá trị TSĐB/tổng mức cấp tín
dụng. Nếu giá trị tài sản thế chấp thay đổi trong vòng một năm, nghiên cứu sẽ sử dụng phương pháp bình quân gia quyền.
Trên thực tế cho thấy, các NHTM thường áp dụng tỷ lệ TSĐB cao hơn đối với các KHDN được nhận định là có rủi ro cao hơn. Do đó, đối với các khách hàng là công ty, tập đồn lớn có hoạt động sản xuất kinh doanh hiệu quả và chứng minh được uy tín trên thị trường thì sẽ ít phải thế chấp tài sản. Vì vậy, trong phạm vi của bài nghiên cứu, tác giả kỳ vọng tỷ lệ TSĐB có tác động ngược chiều đến khả năng trả nợ của KHDN.
Năng lực tài chính của cơng ty: Các nghiên cứu thực nghiệm về rủi ro tín dụng đều đi đến một kết luận rằng các chỉ số tài chính là hữu ích trong việc đo lường khả năng trả nợ của KHDN. Nhìn chung, các chỉ số về khả năng thanh toán, lợi nhuận được sử dụng khá phổ biến. Tuy nhiên trong phạm vi nghiên cứu này, năng lực tài chính của các DN được tác giả lựa chọn thể hiện thơng qua 4 chỉ tiêu tài chính sau: Vốn lưu động/tổng tài sản; Lợi nhuận trước thuế, trước lãi vay/tổng tài sản; Vốn chủ sở hữu/tổng tài sản và Doanh thu thuần/tổng tài sản. Đồng thời, tác giả kỳ vọng các biến này sẽ có tác động cùng chiều đến khả năng trả nợ của KHDN.
Vốn lưu động/tổng tài sản (WCLTA) được tính tốn bằng cơng thức sau: (Tài sản ngắn hạn – Nợ ngắn hạn)/tổng tài sản. Chỉ tiêu này đại diện cho khả năng thanh toán của một DN. Tỷ lệ vốn lưu động/tổng tài sản âm, thể hiện một DN đang gặp phải tình trạng mất cân đối tài chính, DN sử dụng nợ vay ngắn hạn để tài trợ cho mục đích sử dụng vốn dài hạn và ngược lại tỷ lệ vốn lưu động/tổng tài sản là dương cho thấy một DN có cơ cấu tài chính ổn định giúp đảm bảo khả năng thanh toán của DN trong ngắn hạn.
EBITA là chỉ tiêu thể hiện khả năng sinh lời của một DN, nó được đo lường bằng cách lấy lợi nhuận trước thuế, trước lãi vay chia cho tổng tài sản của DN. Trên thực tế, một DN có khả năng sinh lời càng cao thì DN đó càng chứng tỏ được khả năng đáp ứng.
Tương tự, EQUIA là chỉ tiêu thể hiện cấu trúc vốn của một DN. EQUIA được tính tốn bằng cách lấy vốn chủ sở hữu/tổng tài sản của một DN tại cùng một thời điểm.
SALTA là chỉ tiêu thể hiện hiệu quả hoạt động của DN. Chỉ tiêu này sẽ được tính bằng cách lấy doanh thu thuần/ tổng tài sản của DN.
Quy mô của Khách hàng: được đo lường qua giá trị logarit tự nhiên của tổng
tài sản của các DN = Log(Tổng tài sản). Về lý thuyết, DN có quy mơ lớn sẽ có khả năng chịu đựng tốt hơn đối với tình hình thị trường khó khăn, do đó khả năng khả nợ vay cũng cao hơn. Điều này có thể minh chứng trong giai đoạn nền kinh tế suy thoái những năm 2008 – 2013, phần lớn những DN phá sản đều là DN có quy mơ nhỏ, mức vốn thấp. Do đó, dự kiến một mối tương quan dương giữa quy mô DN và khả năng trả nợ đúng hạn của doanh nghiệp. Do đó trong phạm vi của nghiên cứu, tác giả kỳ vọng một sự tác động cùng chiều từ quy mô DN đến khả năng trả nợ của chính DN đó.
Số năm hoạt động kinh doanh của khách hàng: được đo lường bằng số năm
hoạt động của DN kể từ khi DN bắt đầu ghi nhận doanh thu. Những DN lâu năm có khả năng đánh giá được tình hình thị trường tốt hơn và dễ thích nghi với những biến đổi của thị trường nên rủi ro hoạt động của DN được hạn chế. Mặt khác, những DN lâu năm thường có thị phần tương đối ổn định nên doanh thu và lợi nhuận ổn định. Điều này sẽ có ảnh hưởng tích cực đến khả năng vay và trả nợ của DN. Do đó, tác giả dự kiến một sự tác động cùng chiều của số năm hoạt động kinh doanh đến khả năng trả nợ đúng hạn của DN.
Loại hình DNNN: được quy ước bằng 1 nếu KH sở hữu trên 50% vốn Nhà nước và 0 đối với các trường hợp cịn lại. Nếu tình trạng sở hữu thay đổi trong vịng một năm, nguyên tắc đa số sẽ được áp dụng.
Theo Friedrich (2013), số liệu thống kê cho thấy có đến 70% nợ xấu là nợ của các DNNN. Hầu hết các DNNN đều có chi phí vốn vay lớn, nhưng doanh thu có xu hướng giảm trong nền kinh tế khó khăn dẫn đến mất cân đối tài chính, mất khả năng trả nợ vay, đã đến nợ quá hạn. Do đó, trong phạm vi nghiên cứu này, tác giả kỳ vọng các khách hàng là DN có trên 50% vốn Nhà nước sẽ tác động ngược chiều đến khả năng trả nợ của DN.
4.1.1.3. THU THẬP VÀ XỬ LÝ DỮ LIỆU.
Dữ liệu tài chính được thu thập từ các báo cáo tài chính do KHDN cung cấp khi họ đề nghị vay. Sau đó các tỷ số sẽ được tính tốn dựa trên các công thức. Thông tin về thời hạn vay vốn, tỷ lệ TSĐB, số năm hoạt động và tình trạng sở hữu sẽ được lấy từ cơ sở dữ liệu quản lý khách hàng của VCB.HCM.
Dữ liệu thu thập thành dạng bảng và được nhập vào phần mềm thống kê để xử lý những điểm bất thường hay thiếu sót. Việc thiếu sót hay gián đoạn dữ liệu sẽ làm giảm độ chính xác trong thống kê và giải thích kết quả nghiên cứu của mơ hình. Tác giả thực hiện hiệu chỉnh và mã hóa dữ liệu, làm sạch dữ liệu (data cleaning) nhằm phát hiện các sai sót, các ơ trống cịn thiếu thơng tin và hoàn thiện ma trận dữ liệu (data matrix). Tiếp theo là kiểm tra mối tương quan giữa các biến và kiểm tra hiện tượng đa cộng tuyến.
Để phát hiện mơ hình có xảy ra hiện tượng đa cộng tuyến hay khơng thì có thể thực hiện theo nhiều phương pháp, trong đó hiện nay được sử dụng phổ biến là dựa vào ma trận tương quan. Theo Kennedy (2008) nếu hệ số tương quan cặp giữa các biến độc lập cao (vượt 0,8) thì có khả năng tồn tại đa cộng tuyến. Trong bài nghiên cứu, tác giả sử dụng hệ số VIF (variance inflation factor – hệ số phóng đại phương sai) để kiểm tra hiện tượng đa cộng tuyến.
VIF = 1/ (1- Ri2) Trong đó, Ri2
làhệ số tương quan giữa các biến độc lập trong mơ hình. Khi Ri2 tăng làm giá trị VIF càng lớn thì biến độc lập Xi càng cộng tuyến cao. Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2013) cũng như kinh nghiệm từ các nghiên cứu trước đây, quy tắc là khi VIF vượt quá 10 (hay Ri2 > 0,9) đó là dấu hiệu của đa cộng tuyến.
Dữ liệu sau cùng được đưa vào sử dụng trong mơ hình và tiến hành phân tích, sử dụng phần mềm SPSS để xây dựng mơ hình tính tốn khả năng trả nợ.
Sau đó, tác giả sẽ tiến hành kiểm tra sự phù hợp của mơ hình, và thực hiện kiểm định để xác định xem mơ hình kết quả có thể sử dụng để dự báo hay không.
4.1.2. PHƯƠNG PHÁP NGHIÊN CỨU.
Dựa trên thực trạng hoạt động tín dụng và các phương pháp đánh giá khả năng trả nợ của KHDN nói riêng và khách hàng nói chung tại VCB. Tác giả nhận thấy cần phải xây dựng một mơ hình đo lường rủi ro cụ thể khả năng trả nợ của KHDN – khơng chỉ dừng lại ở việc phân tích tình trạng của KHDN mà cịn xem xét trong bối cảnh quan hệ tín dụng tại VCB.HCM.
Thứ nhất, mơ hình thống kê phải khắc phục được hạn chế của phương pháp
đánh giá rủi ro trong hoạt động cho vay của KHDN hiện nay.
Thứ hai, mơ hình có khả năng lượng hóa khả năng trả nợ - làm cơ sở cho việc
xác định rủi ro của từng KHDN tại VCB.HCM.
Thứ ba, mơ hình đơn giản, dễ sử dụng và có thể tận dụng được thông tin kết
quả XHTD nội bộ VCB.HCM làm dữ liệu đầu vào của mơ hình.
Thứ tư, mơ hình có thể đưa cùng lúc biến định lượng và biến định tính trong
việc xác định khả năng trả nợ của KHDN.
Qua nghiên cứu các kết quả thực nghiệm đánh giá rủi tín dụng trong hoạt động cho vay KHDN bằng các phương pháp khác nhau, tác giả lựa chọn sử dụng phương pháp hồi quy Logit để xây dựng mơ hình. Đây là mơ hình được sử dụng nhiều nước trên thế giới hiện nay trong việc đánh giá khả năng trả nợ của KHDN sau khi cấp tín dụng.
Mơ hình hồi quy Logit là một mơ hình định lượng trong đó biến kết quả là rời rạc, nhận hai giá trị có thể là 0 hoặc 1. Xem xét một tập hợp của n biến độc lập x (x1, x2, x3, ..., xn). Các yếu tố ảnh hưởng đến sự xuất hiện xác suất của sự kiện Y. “Xác suất mong đợi của Y bằng 1, cho giá trị x" được biểu thị bằng P (Y = 1 | x). Theo Hosmer và Lemeshow (2000) thì cơng thức mơ tả mối quan hệ giữa P (Y = 1 | x) và n các yếu tố x như sau:
P(Y=1|x) = 𝑒β0 + β1X1 + β2X2+⋯+ βnXn
1 + 𝑒β0 + β1X1 + β2X2+⋯+ βnXn (1)
Phương trình (1) là mơ hình hồi quy logistic khơng tuyến tính. Tuy nhiên, nó có thể dễ dàng chuyển đổi thành mơ hình xác suất tuyến tính.
Xác suất sự kiện Y xảy ra là P (Y = 1 | x), do đó xác suất sự kiện Y khơng xảy ra là 1 - P (Y = 1 | x). Tỷ số chênh là tỷ số giữa xác suất sự kiện Y xảy ra so với xác suất sự kiện Y không xảy ra:
Tỷ số chênh = P(Y=1|x)
1 − P(Y=1|x) (2)
Để F(x) = β0 + β1X1 + β2X2 + ⋯ + βnXn Lấy logarit của (2) ta có:
F(x) là Logit của mơ hình hồi quy logistic và nó có nhiều tính chất tương tự đối với mơ hình hồi quy tuyến tính. F(x) là “hệ phương trình tuyến tính theo tham số, có tính liên tục, và có thể dao động từ -∞ tới + ∞, phụ thuộc vào phạm vi của x” (Hosmer và Lemeshow, 2000).
Hình 4.1 Mơ hình xác suất tuyến tính và mơ hình hồi quy tuyến tính
Trong mơ hình này, xác suất có điều kiện của biến kết quả Y bị giới hạn giữa 0 và 1. Các biến độc lập X có thể rời rạc hoặc liên tục. Nhiều mơ hình phân phối đã được đề xuất để sử dụng trong phân tích của một biến kết cục rời rạc. Có thể thấy hai ưu điểm chính của mơ hình Logit so với các loại mơ hình khác:
Thứ nhất, công thức logit rất linh hoạt và dễ sử dụng.
Thứ hai, các hệ số hồi quy là có ý nghĩa và các kết quả của mơ hình cũng có
thể giải thích trực tiếp.
Với các biến được lựa chọn, hàm hồi quy Logit được xây dựng như sau:
P (Y = 1|x) = 𝑒β0 + β1X1 + β2X2+⋯+ βnXn
1 + 𝑒β0 + β1X1 + β2X2+⋯+ βnXn
Hoặc ln ( 1 − P(Y=1|x)P(Y=1|x) ) = β0 + β1X1 + β2X2 + ⋯ + βnXn Trong phương trình này:
- P: xác suất khả năng trả nợ của khách hàng doanh nghiệp, P = 1 nếu KHDN trả được nợ, trả nợ tốt, P = 0 nếu KHDN không trả được nợ, không trả nợ tốt. - X1, ..., Xn: Các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng. - β0, ..., βn: Các hệ số hồi quy của hàm Logit
(Mơ hình hồi quy Logistic)
4.1.3. KẾT QUẢ NGHIÊN CỨU.
4.1.3.1. THỐNG KÊ MÔ TẢ CÁC BIẾN.
Số liệu của nghiên cứu này gồm 202 KHDN hiện có quan hệ tín dụng tại VCB.HCM trong giai đoạn 2016-2018. Do đó tổng số mẫu bao gồm 606 quan sát.