Luận văn Mô hình toán học Logit – Probit hồi quy và zscore trong phân tích và dự báo nợ xấu tín dụng tại ngân hàng Nayoby chi nhánh tỉnh Oudomxay - Lào

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG SILISITH XAYSOMPHENG MÔ HÌNH TOÁN HỌC LOGIT – PROBIT HỒI QUY VÀ Z- SCORE TRONG PHÂN TÍCH VÀ DỰ BÁO NỢ XẤU TÍN DỤNG TẠI NGÂN HÀNG NAYOBY CHI NHÁNH TỈNH OUDOMXAY - LÀO LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUYÊN – 2020 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG SILISITH XAYSOMPHENG MÔ HÌNH TOÁN HỌC LOGIT – PROBIT HỒI QUY VÀ Z- SCORE TRONG PHÂN TÍCH VÀ DỰ BÁO NỢ XẤU

pdf95 trang | Chia sẻ: huong20 | Ngày: 13/01/2022 | Lượt xem: 446 | Lượt tải: 0download
Tóm tắt tài liệu Luận văn Mô hình toán học Logit – Probit hồi quy và zscore trong phân tích và dự báo nợ xấu tín dụng tại ngân hàng Nayoby chi nhánh tỉnh Oudomxay - Lào, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
U TÍN DỤNG TẠI NGÂN HÀNG NAYOBY CHI NHÁNH TỈNH OUDOMXAY - LÀO Chuyên ngành : Khoa học máy tính Mã số chuyên ngành : 848 01 01. LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC : PGS.TS Nguyễn Văn Huân Thái Nguyên – Năm 2020 i LỜI CAM ĐOAN Tôi tên là XAYSOMPHENG silisith, học viên lớp K17A – Khoa học máy tính, Trường Đại học Công nghệ thông tin và Truyền thông Thái Nguyên. Tôi xin cam đoan đề tài Mô hình toán học Logit - Probit hồi quy và Z-score trong phân tích và dự báo nợ xấu tín dụng tại ngân hàng NAYOBY chi nhánh tỉnh Oudomxay - Lào do Thầy giáo PGS.TS Nguyễn Văn Huân hướng dẫn, là công trình nghiên cứu do bản thân tôi thực hiện, dựa trên sự hướng dẫn của Thầy giáo hướng dẫn khoa học và các tài liệu tham khảo đã trích dẫn. Tôi xin chịu trách nhiệm với lời cam đoan của mình. Thái Nguyên, Ngày 09 tháng 11 năm 2020 Học viên XAYSOMPHENG silisith ii LỜI CẢM ƠN Trước hết tôi xin gửi lời cảm ơn sâu sắc đến thầy hướng dẫn khoa học PGS.TS Nguyên Văn Huân về những chỉ dẫn khoa học, định hướng nghiên cứu và tận tịnh hướng dẫn tôi trong suốt quá trình làm luận văn. Tôi xin cảm ơn các Thầy trong việc Công Nghệ Thông Tin, các Thầy, Cô giáo trong trường Đại học Công Nghệ Thông Tin và Truyền Thông – Đại học Thái Nguyên đã cung cấp cho tôi những kiến trúc vô cùng quý báu và cần thiết trong suốt thời gian học tập tại trường để tôi có thể thực hiện và hoàn thành tốt để đồ án chuyên ngành này. Tôi xin bày tỏ lòng biết ơn sâu sắc nhất tới Chính phủ Lào và Chính phủ Việt Nam, Bộ Giáo dục và Thể thao Lào, Bộ Giáo dục và Đào tạo Việt Nam đã tạo điều kiện cấp suất học bổng cao học này cho tôi. Xin trân trọng cảm ơn sâu sắc nhất tới Ban Lãnh đạo Viện Khoa học xã hội quốc gia Lào, Trung tâm Thông tin Khoa học xã hội Lào đã tạo điều kiện và luôn ủng hộ tôi. Với thời gian nghiên cứu còn hạn chế, ngôn ngữ còn khiêm tốn, luận văn không tránh khỏi những thiếu sót, tôi rất mong nhận được các ý kiến đóng góp chân thành từ các thầy cô giáo, đồng nghiệp, bạn bè. Cuối cùng, tôi xin cản ơn gia đình và bạn bè, những người đã luôn ủng hộ và động viên tôi, giúp tôi yên tâm và có tâm lý thuận lợi nhất để tôi nghiên cứu luân văn này. Tuy nhiên do giới hạn về mặt thời gian và kiến thức nên đồ án chắc chắn sẽ không tránh khỏi những sai sót ngoài ý muốn. Tôi rất mong nhận được sự thông cảm và đóng góp ý kiến của các thầy cô giáo, đồng nghiệp và bạn bè. Thái Nguyên, Ngày 09 tháng 11 năm 2020 Học viên XAYSOMPHENG silisith iii MỤC LỤC LỜI CAM ĐOAN ....................................................................................................... i LỜI CẢM ƠN ............................................................................................................ ii MỤC LỤC ................................................................................................................. iii DANH MỤC CÁC TỪ VIẾT TẮT .......................................................................... vi DANH MỤC BẢNG, BIỂU ĐỒ VÀ SÔ ĐỒ .......................................................... vii DANH MỤC HÌNH ẢNH ...................................................................................... viii LỜI MỞ ĐẦU ............................................................................................................. 1 CHƯƠNG 1: ............................................................................................................... 3 TỔNG QUAN VỀ NỢ XẤU NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN ................ 3 1.1. Hoạt động chung của ngân hàng: ................................................................ 3 1.1.1. Tổng quan về ngân hàng thương mại: ..................................................... 3 1.1.1.1. Khái niệm: ........................................................................................... 3 1.1.1.2. Các hoạt động của Ngân hàng thương mại: ........................................ 4 1.1.1.3. Tín dụng và đặc trưng của tín dụng: ................................................... 7 1.2. Nợ xấu của các Ngân hàng thương mại. ................................................... 11 1.2.1. Khái niệm: ............................................................................................. 11 1.2.2. Các quan điểm về nợ xấu của Ngân hàng thương mại: ........................ 12 1.2.3. Nguyên nhân phát sinh nợ xấu: ............................................................. 14 1.2.3.1. Nhóm các nguyên nhân khách quan: ................................................ 15 1.2.3.2. Nhóm nguyên nhân chủ quan: .......................................................... 17 1.2.4. Các tác động của nợ xấu: ...................................................................... 19 KẾT LUẬN CHƯƠNG 1 .......................................................................................... 21 CHƯƠNG 2: ............................................................................................................. 22 TỔNG QUAN VỀ CÁC MÔ HÌNH TRONG CẢNH BẢO NỢ XẤU NGÂN HÀNG VÀ GIỚI THIỆU MÔ HÌNH LOGIT-PROBIT VÀ Z-SCORE .................. 22 2.1. Tổng quan về các mô hình trong cảnh bảo nợ xấu tín dụng: .................... 22 2.1.1. Nghiên cứu mô hình CAEL cảnh báo nợ xấu tín dụng: ........................ 22 iv 2.1.2. Giới thiệu mô hình CAEL: .................................................................... 22 2.2. Nghiên cứu mô hình chất lượng 6C .......................................................... 24 2.2.1. Mô hình định tính – Mô hình 6C: ......................................................... 24 2.3. Nghiên cứu mô hình xếp hạng của Moody và Standard & Poor: ............. 25 2.3.1. Mô hình xếp hạng các ngân hàng của Moody’s.................................... 26 2.3.2. Mô hình của Standard & Poor’s (S&P): ............................................... 26 2.4. Mô hình toán học Logit-Probit hồi quy trong cảnh báo nợ xấu tín dụng: 29 2.4.1. Mô hình hồi quy theo biến giá (Qualitative Respones Regression Model) 29 2.4.2. Mô hình Logit: ...................................................................................... 29 2.4.2.1. Đặc điểm mô hình Logit trong việc đánh giá khả năng trả nợ của khách hàng. ......................................................................................................... 30 2.4.2.2. Cơ sở toán học và các khái niệm liên quan nghiên cứu liên quan đến mô hình Logit. .................................................................................................... 33 2.4.2.3. Đặc điểm của mô hình Logit: ............................................................ 37 2.4.3. Mô hình Probit: ..................................................................................... 40 2.4.3.1. Giới thiệu mô hình Probit: ................................................................ 40 2.4.3.2. Đặc điểm của mô hình Probit: ........................................................... 42 2.5. Mô hình Z-Score và điểm số tín dụng tiêu dùng: ..................................... 43 2.5.1. Giới thiệu về mô hình: .......................................................................... 43 2.5.2. Cơ sở toán học và các khái niệm liên quan: .......................................... 43 2.5.3. Đặc điểm của mô hình Z-Score: ........................................................... 45 KẾT LUẬN CHƯƠNG 2 .......................................................................................... 46 CHƯƠNG 3: DỰ BÁO NỢ XẤU DỰA VÀO MÔ HÌNH LOGIT-PROBIT TRÊN PHẦN MỀM EVIEWS 8 VÀ DỰ BÁO PHÁ SẢN DỰA VÀO MÔ HÌNH Z- SCORE ...................................................................................................................... 48 3.1. Giới thiệu về Ngân hàng NAYOBY Lào: ................................................. 48 3.1.1. Giới thiệu về ngân hàng: ....................................................................... 48 3.1.2. Hoạt động của Ngân hàng NAYOBY Lào: .......................................... 51 3.1.3. Nguồn dữ liệu và thực trạng hoạt động tín dụng tại Ngân hàng NAYOBY, chi nhánh tỉnh Oudomxay - Lào: .................................................... 53 v 3.1.3.1. Nguồn dữ liệu của ngân hàng NAYOBY: ........................................ 53 3.1.3.2. Tình hình hoạt động kinh doanh của Ngân hàng NAYOBY: ........... 53 3.1.3.3. Quy trình tín dụng đối với khách hàng doanh nghiệp: ..................... 56 3.2. Dự báo nợ xấu dựa trên mô hình toán học Logistic - Probit hồi quy tại NHNBB trên phần mềm Eviews 8.0: .................................................................... 59 3.2.1. Mô hình hồi quy Logistic - Probit: ........................................................ 59 3.2.1.1. Ứng dụng phần mềm Eviews 8.0 ...................................................... 60 3.3. Dự báo phá sản dựa trên mô hình Z-Score tại các Doanh nghiệp khách hàng của Ngân hàng ............................................................................................... 69 KẾT LUẬN ............................................................................................................... 74 TÀI LIỆU THAM KHẢO ......................................................................................... 76 PHỤ LỤC .................................................................................................................. 78 NGUỒN DỮ LIỆU ................................................................................................... 80 vi DANH MỤC CÁC TỪ VIẾT TẮT NBB Ngân hàng NAYOBY Lào CSXH Chính sách xã hội NHCSXH Ngân hàng Chính sách xã hội BCTC Báo cáo tài chính IMF Quỹ tiền tệ quốc tế (The International Monetary Fund) ECB Ngân hàng Trung ương Châu Âu (The European Central Bank) NHNN Ngân hàng Nhà nước NHTM Ngân hàng thương mại NQH Nợ quá hạn KHDN Khách hàng doanh nghiệp. KHCN Khách hàng cá nhân Moody’s Moody’s Invertors Service S&P Standard & Poor RRTD Rủi ro tín dụng NXTD Nợ xấu tín dụng DPRR Dự phòng rủi ro TSBĐ Tài sản bảo đảm TCTD Tổ chức tín dụng TCTC Tổ chức tài chính ĐMTN Định mức tín nhiệm XHTD Xếp hạng tín dụng vii DANH MỤC BẢNG, BIỂU ĐỒ VÀ SÔ ĐỒ Bảng 2.1. Xếp hạng của Moody’s và Standard & Poor ............................................ 27 Bảng 2. 2. Thang điểm đánh giá tín nhiệm ngân hàng của S&P (từ cao đến thấp) .. 28 Bảng 2. 3. Cấu trúc các biến trong mô hình Logit .................................................... 30 Bảng 2. 4. Các biến để ước lượng LLR trong mô hình của Irakli Ninua .................. 34 Bảng 3. 1. Dư nợ tín dụng KHCN theo thời gian cho vay tại NBB.......................... 55 Bảng 3. 2. Phân tích nợ xấu theo nhóm nợ tại NBB ................................................. 55 Bảng 3. 3. Mô tả thống kê các biến của mô hình ...................................................... 62 Bảng 3. 4. Ma trận tương quan giữa các biến ........................................................... 63 Bảng 3. 5. Kiểm định điểm dừng của EBITA ........................................................... 63 Bảng 3. 6. Kiểm định điểm dừng EQUITYA ........................................................... 64 Bảng 3. 7. Kiểm định điểm dừng LTLA ................................................................... 65 Bảng 3. 8. Kiểm định tính dừng của SALESA ......................................................... 65 Bảng 3. 9. Biến xác suất phá sản của 10 doanh nghiệp ............................................ 67 Bảng 3. 10. Kiểm định tính dừng của biến PD ......................................................... 69 Bảng 3. 11. Các biến độc lập mô hình Z-Score ........................................................ 71 Sơ đồ 1. 1. Các nguyên nhân gây ra nợ xấu ............................................................. 19 Biểu đồ 3. 1. Sự biến động của xác xuất phá sản của Ngân hàng NBB ................... 68 viii DANH MỤC HÌNH ẢNH Hình 2. 1. Mô hình hồi quy theo biến giả (Qualitative Respones Regression Model) ................................................................................................................................... 29 Hình 2. 2. Đồ thị mô hình Logit ................................................................................ 31 Hình 2. 3. Đồ thị mô hình Probit ............................................................................... 41 Hình 3. 1. Cơ cấu tổ chức của NBB chi nhánh tỉnh Oudomxay ............................... 49 Hình 3. 2. Phần mềm Eviews 8.0 .............................................................................. 60 Hình 3. 3. Lặp bảng để phân tích mô hình Logit ...................................................... 60 Hình 3. 4. Nhập dữ liệu vào ...................................................................................... 61 Hình 3. 5. Mô hình thống kê các biến của mô hình .................................................. 61 Hình 3. 6. Ma trận tương quan giữa các biến ............................................................ 62 Hình 3. 7. Nhập dữ liệu vào để phân tích Z-Score .................................................... 68 1 LỜI MỞ ĐẦU 1. Lí do chọn đề tài: Như đã biết cùng với sự đổi mới của nền kinh tế hệ thống Ngân hàng đóng vai trò quan trọng cho sự phát triển kinh tế trong nước cũng như sự phát triển kinh tế toàn cầu. Trong kinh tế thị trường, hệ thống Ngân hàng hoạt động thông suốt, lành mạnh và hiệu quả là tiền đề để các nguồn lực tài chính luân chuyển, phân bố và sử dụng hiệu quả, kích thích tăng trưởng kinh tế một cách bền vững. Nợ xấu ảnh hưởng rất lớn đến sự phát triển của nền kinh tế cũng như sự tồn tại và phát triển của toàn bộ hệ thống ngân hàng. Do vậy nợ xấu không chỉ là vấn đề của các ngân hàng cần phải giải quyết mà cần phải có sự chỉ đạo chung của Nhà nước. Các Ngân hàng cần nhận thức đúng về nợ xấu, đồng thời tìm và phân tích được nguyên nhân để từ đó đưa ra các giải pháp khắc phục phù hợp. Nếu các ngân hàng có tình che dấu nợ xấu thì sẽ không phản ánh đúng được thực trạng của toàn hệ thống ngân hàng và hậu quả là ảnh hưởng đến nguồn cung cấp vốn cho nền kinh tế. Điều không thể phủ nhận trong kinh tế thị trường, rủi ro trong kinh doanh là không thể tránh khỏi, đặc biệt trong rủi ro hoạt động kinh doanh ngân hàng. Trong hoạt động kinh doanh ngân hàng nợ xấu và những rủi ro tín dụng ảnh hưởng tiêu cực hay tích cực đến đời sống kinh tế, chính trị, xã hội của một đất nước. Em xin gửi lời cảm ơn chân thành tới giáo viên hướng dẫn PGS.TS Nguyễn Văn Huân đã trực tiếp hướng dẫn, truyền đạt nhiều kinh thức, kinh nghiệm trong quá trình em làm thực tập cơ sở cũng như trong hoàn thành báo cáo. Vì vậy em tiến hành thực hiện đề tài: “Mô hình toán học Logit - Probit hồi quy và Z-Score trong phân tích và dự báo nợ xấu tín dụng tại Ngân hàng Nayoby Chi nhánh tỉnh Oudomxay - Lào” 2 2. Mục tiêu của đề tài: - Dự báo nợ xấu tín dụng Ngân hàng từ đó giảm thiểu nợ xấu tín dụng, rủi ro nợ xấu tín dụng và nâng cao hiệu quả hoạt động kinh doanh Ngân hàng. 3. Đối tượng và phạm vi nghiên cứu: - Đới tượng nghiên cứu: dự báo nợ xấu của Ngân hàng Thương mại. - Phạm vi nghiên cứu: đề tài tập trung nghiên cứu một số nội dung nợ xấu tại Ngân hàng NAYOBY, chi nhánh tỉnh Oudomxay - Lào. - Thời gian nghiên cứu: những vấn đề thực trạng nợ xấu tại Ngân hàng NAYOBY, chi nhánh tỉnh Oudomxay - Lào từ năm 2016 - 2018. 4. Phương pháp nghiên cứu: - Để thực hiện mục tiêu nghiên cứu trên đề tài sử dụng các phương pháp nghiên cứu sau: - Phương pháp phân tích, điều tra, phân tích tổng hợp, so sánh và các phương pháp khác để giải quyết vấn đề đặt ra. 5. Bố cục của đề tài: Ngoài lời mở đầu, kết luận, danh mục các tài liều tham khảo, danh mục các từ viết tắt, nội dung của đề tài gồm 3 chương như sau: CHƯƠNG 1: TỔNG QUAN VỀ NỢ XẤU TẠI CÁC NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN. CHƯƠNG 2: TỔNG QUAN VỀ CÁC MÔ HÌNH TRONG CẢNH BÁO NỢ XẤU NGÂN HÀNG VÀ GIỚI THIỆU MÔ HÌNH LOGIT-PROBIT VÀ Z-SCORE. CHƯƠNG 3: DỰ BÁO NỢ XẤU DỰA VÀO MÔ HÌNH LOGIT-PROBIT TRÊN PHẦN MỀM EVIEWS8. 3 CHƯƠNG 1: TỔNG QUAN VỀ NỢ XẤU NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN 1.1. Hoạt động chung của ngân hàng: 1.1.1. Tổng quan về ngân hàng thương mại: 1.1.1.1. Khái niệm: Ngân hàng là một trong những tổ chức tài chính quan trọng nhất của nền kinh tế. Tùy thuộc vào tính chất và mục tiêu hoạt động cũng như sự phát triển của nền kinh tế nói chung và hệ thống kinh tế nói riêng. Ngân hàng bao gồm Ngân hàng thương mại, Ngân hàng phát triển, Ngân hàng đầu tư, Ngân hàng chính sách, Ngân hàng hợp tác và các loại Ngân hàng khác, trong đó Ngân hàng thương mại thường chiếm tỷ trong lớn nhất về quy mô tài sản, thị phần và số lượng các Ngân hàng. Ngân hàng thương mại được xem là một trung gian tài chính có chức năng dẫn vốn từ nơi có khả năng cung ứng vốn đến những nơi có nhu cầu về vốn nhằm tạo điều kiện cho đầu tư phát triển kinh tế. Chúng ta có thể xem xét một số khái niệm về NHTM như sau: Theo pháp lệnh Ngân hàng năm 2019 của Lào có qui định: “NHTM là một tổ chức tài chính được phép hoạt động kinh doanh ngân hàng, dịch vụ tiền gửi, tín dụng, thanh toán, kinh doanh tiền tệ và các dịch vụ khác theo quy định của pháp luật” Theo luật các tổ chức tài chính (TCTC) của Lào do Quốc hội khóa VIII lần thứ 6 thông qua ngày 07/12/2018 thì: Ngân hàng có thể đại diện cho các dịch vụ tài chính, cung cấp các dịch vụ tư vấn tài chính và đầu tư, lưu trữ các vật có giá trị và cung cấp các dịch vụ khác theo ủy quyền của Ngân hàng Nhà nước Lào. Trong đó Tổ chức tài chính là các ngân hàng thương mại, tổ chức tài chính vi mô, liên hiệp tín dụng và tiết kiệm, nhà máy, công ty cho thuê tín dụng và các tổ chức tài chính 4 khác thuộc thẩm quyền của Ngân hàng Quốc gia Lào theo luật và quy định hiện hành. Ngoài ra, NHTM là ngân hàng thực hiện toàn bộ hoạt động Ngân hàng và các hoạt động kinh doanh khác có liên quan về mục đích lợi nhuận, góp phần thực hiện các mục tiêu kinh tế của Nhà nước. Trong đó hoạt động Ngân hàng là hoạt động kinh doanh tiền tệ và dịch vụ Ngân hàng với nội dung thường xuyên là tiền gửi, sử dụng số tiền này để cấp tín dụng và cung ứng các dịch vụ thanh toán. Nếu xét trên phương diện những loại hình dịch vụ mà Ngân hàng cung cấp thì NHTM là loại hình tổ chức tài chính cung cấp một danh mục dịch vụ tài chính đa dạng nhất – đặc biệt là tín dụng, tiết kiệm, dịch vụ thanh toán và thực hiện nhiều chức năng tài chính nhất so với bất kì một tổ chức kinh doanh nào trong kinh tế. Như vạy, có thể nói NHTM là một doanh nghiệp đặc biệt kinh doanh với tiền tệ với hoạt động thường xuyên là huy động vốn, cho vay, chiết khấu, bảo lãnh, cung cấp các dịch vụ tài chính và các hoạt động khác có liên quan. Ngoài ra, NHTM còn là một định chế tài chính trung gian cực kì quan trọng trong nền kinh tế thị trường. Nhờ vào hệ thống này mà các nguồn tiền nhàn rỗi vốn nằm rải rác trong xã hội sẽ được huy động và tập trung lại với số lượng đủ lớn để cấp tín dụng cho các Tổ chức kinh tế xã hội (TCKT), cá nhân nhằm mục dịch phục vụ phát triển kinh tế - xã hội. sự có mặt của NHTM trong hầu hết các hoạt động của nền kinh tế - xã hội đã chứng minh rằng: Ở đâu có một hệ thống NHTM phát triển thì ở đó sẽ có sự phát triển với tốc độ cao của kinh tế - xã hội và ngược lại. 1.1.1.2. Các hoạt động của Ngân hàng thương mại: ➢ Hoạt động huy động vốn: Đây là một nghiệp vụ đặc biệt trung trong hoạt động kinh doanh của NHTM, có ý nghĩa quan trọng đối với sự tăng trưởng và phát triển của Ngân hàng. Các NHTM có thể huy động các nguồn vốn từ các tổ chức kinh tế và dân cư bằng nhiều hình thức khác nhau như sau: 5 ❖ Hoạt động nhận tiền gửi thường chiếm tỉ trọng rất cao trong tổng nguồn huy động của NHTM do các Ngân hàng đã chú trọng đến việc đa dạng hóa các loại tiền gửi không kì hạn, tiền gửi có kì hạn, trong mỗi loại lại chia thành nhiều loại khác nhau để đáp ứng nhu cầu của khách hàng. ❖ Ngân hàng có thể huy động vốn từ dân cư, tổ chức kinh tế bằng cách bán cho họ các trái phiếu do Ngân hàng phát hành, đây là hình thức hay được sử dụng vì thời gian huy động vốn rất ngắn trong khi lãi suất có được lại lương đối cao, do đó Ngân hàng thường phát hành trái phiếu khi cần vốn đột xuất. ❖ Ngoài các hình thức huy động vốn trên, các Ngân hàng có thể huy động vốn vay bằng cách vay Ngân hàng Trung ương và các tổ chức tín dụng khác. Ở Lào, Hình thức này chịu sự quản lí của Ngân hàng Trung ương cả về khối lượng đi vay và lãi suất đi vay. Do vậy, trong bảng tổng kết tài chính của các NHTM khoản đi vay này chiếm tỷ trọng nhỏ so với tổng huy dộng vốn của Ngân hàng. ➢ Hoạt động sử dụng vốn: Ngân hàng huy động và sử dụng vốn đó cho vay và đầu tư để hưởng doanh lợi. Cho vay là hình thức thông dụng nhất ở các định chế tài chính nói chung và NHTM nói riêng ở khắp các nơi trên thế giới. Ở Lào hoạt động cho vay là hoạt động mang tính lợi nhuận cao nhất cho các Ngân hàng và có ý nghĩa sống còn đối với Ngân hàng. Cho vay là một nghiệp vụ trong đó một thể nhân hoặc một pháp nhân gọi là người cho vay để cho một người khác gọi là người đi vay sử dụng một số tiền với cam kết hoàn trả lãi theo. Chính vì thế, có thể nói: “Ngân hàng là người đi vay để cho vay”, số tiền để Ngân hàng sử dụng cho vay xuất phát từ nguồn vốn mà Ngân hàng huy động được. Lợi nhuận thu được của Ngân hàng phụ thuộc vào khoản chênh lệch giữa chi phí huy động nguồn và lãi suất Ngân hàng cho vay. Qua các lý luận về hoạt động huy động vốn và sử dụng vốn nói trên của Ngân hàng có thể thấy Ngân hàng thực hiện chức năng là người trung gian đứng ra dàn xếp giữa người thừa vốn và người thiếu vốn. Thông qua hoạt động cho vay, Ngân 6 hàng kiểm soát khối lượng tiền trong lưu thông, tăng vòng quay vốn của nền kinh tế, làm cho khối lượng tiền tệ trong ngành kinh tế không ngừng vận động và sinh lợi. ➢ Thực hiện các dịch vụ khác cho khách hàng: Ngày nay, hoạt động dịch vụ của NHTM trên thế giới đem lại một mức lợi nhuận khổng lồ cho Ngân hàng (chiếm khoảng 75% tổng số lợi nhuận Ngân hàng), nhưng ở Lào thì con số này thật khiêm tốn, chỉ chiếm khoảng 25%. Do vậy, vấn đề đa dạng hóa các hoạt động dịch vụ ở Ngân hàng đang được rất quan tâm. Các dịch vụ này bao gồm: Hoạt động điện tử liên quan đến Ngân hàng: gồm việc nối mạng từ các máy tính của Ngân hàng và máy tính của khách hàng, chủ yếu là các công ty để trao đổi các thông tin dữ liệu giúp cho các công ty quản lí nguồn vốn của mình có hiệu quả hơn. Đảm bảo an toàn vật có giá: Đây là một dịch vụ lâu đời nhất của NHTM. Do Ngân hàng có đội ngũ nhân viên bảo vệ và có các kết sắt giữ tiền rất quan trọng, nên khách hàng có thể khi gửi các tài sản quý, những giấy tờ có giá trị Dịch vụ nhận tiền gửi qua đêm. Ở nước ta hiện nay dịch vụ này chưa có nhưng trong tương lai sẽ dần hình thành vì thu nhập của dân hiện nay càng tăng lên, đồng nghĩa với việc các tài sản quý mà người dân sở hữu cũng tăng lên và từ đó phát sinh nhu cầu được bảo vệ và đây cũng là lúc Ngân hàng phát huy chức năng quan trọng của mình. Các nghiệp vụ ủy thác: Ngân hàng nhận úy thác từ các khách hàng để quản trị các tài sản khác. Có thể chia thành 2 loại tài sản bằng tiền và hiện vật, phần đông khách hàng ủy thác cho Ngân hàng quản trị tài sản bằng tiền, kí gửi vào một tài khoản, ủy thác cho Ngân hàng quản trị một mình hay cùng với người khác. Ngoài ra, Ngân hàng cũng được ủy thác quản trị tài sản của người cầm cố, của vị thành niên 7 Các dịch vụ kinh doanh khác: Những dịch vụ khác bao gồm nhiều loại như đảm bảo tài sản tín dụng, mua các khoản sẽ thu của các công ty, phát hành thẻ làm tín dụng, làm dịch vụ tư vấn thuê mua Có thể thấy hoạt động của NHTM là vô cùng phong phú và đa dạng, trong đó hoạt động nhận tiền gửi và cho vay chiếm tỷ trọng hàng đầu. Thông qua các nghiệp vụ này, NHTM đã chứng tỏ với vai trò quan trọng không thể thiếu của mình trong mỗi quốc gia. 1.1.1.3. Tín dụng và đặc trưng của tín dụng: ➢ Khái niệm: Khái niệm tín dụng đã xuất hiện từ rất lâu, nó xuất phát từ gốc La Tinh CREDITUM có nghĩa là sự tin tưởng, tín nhiệm hay chính là lòng tin. Theo cách biểu hiện nay thì tín dụng là quan hệ vay vốn lẫn nhau dựa trên sự tin tưởng số vốn đó sẽ được hoàn trả vào một thời điểm xác định trong tương lai. Mác cho rằng: “Tín dụng là quá trình chuyển nhượng tạm thời một lượng giá trị từ người sở hữu đến người sử dụng, sau một thời gian nhất định thu hồi một lượng giá trị lớn hơn lượng giá trị ban đầu”. Có thể hiểu tổng quát về khái niệm tín dụng: Tín dụng là quan hệ cuyển nhượng tạm thời một lượng giá trị (dưới hình thái tiền tệ hay hiện vật) từ người sở hữu sang người sử dụng sau một thời gian dài nhất định thu hồi về một lượng giá trị lớn hơn so với giá trị ban đầu. Mối quan hệ tín dụng bao gồm 2 mặt cơ bản là quan hệ cho vay và quan hệ hoàn trả được thể hiện như sau: (1) Người vay chuyển giao cho người đi vay một lượng giá trị nhất định. Giá trị này có thể dưới hình thái tiền tệ hay hiện vật, hàng hóa, máy móc, thiết bị, bất động sản. (2) Người đi vay chỉ được sử dụng tạm thời trong một khoảng thời gian nhất định, khi hết thời gian theo thỏa thuận người đi vay phải trả cho người cho vay. Thông thường, giá trị khi hoàn trả phải lớn hơn giá trị cho vay, nói cách khác người đi vay phải nhận thêm một phần lợi tức. 8 ➢ Đặc điểm của tín dụng: Mối quan hệ tín dụng phải thỏa mãn 4 đặc trưng: Lòng tin, tính hoàn trả, tính thời hạn và ấn chứa nhiều khả năng rủi ro cao. Một là, Quan hệ tín dụng dựa trên lòng tin. Người ta chỉ cho vay khi người ta tin tưởng, người đi vay có ý muốn trả nợ và có khả năng trả nợ. Đồng thời người ta tin rằng người sử dụng lượng giá trị đó sẽ thu được lượng giá trị cao hơn, đặt hiệu quả sau một thời gian dài nhất định, người cho vay cũng tin tưởng người đi vay và có ý muốn trả nợ thì quan hệ tín dụng mới xảy ra. Như vậy có thể nói đây là điều kiện tiên quyết để thiết lập quan hệ tín dụng. Hai là, Tính hoàn trả. Đối với quan hệ tín dụng thì đây là đặc trưng cơ bản và sự hoàn trả là tiêu chuẩn phân biệt quan hệ tín dụng với các quan hệ tài chính khác. Trong tính hoàn trả thì lượng vốn chuyển nhượng phải được hoản trả đúng hạn về cả thời gian và về giá trị bao gồm 2 bộ phần: Gốc và lãi. Phần lãi đảm bảo cho lượng giá trị hoàn trả lớn hơn lượng giá trị ban đầu. Sự chênh lệch này là giá trả cho quyền sử dụng vốn tạm thời. Nói cách khác, nó là giá trị cho sự sinh quyền sử dụng vốn hiện tại của người sở hữu, vì thế nó phải đủ hấp dẫn để cho người sở hữu có thể sẵn sàng hy sinh quyền sử dụng nó. Mặt khác nếu không có sự hoàn trả thì đó làm quan hệ tín dụng không hoàn hảo. Ba là, Tính thời hạn: Xuất phát từ bản chất của tín dụng là sự tín nhiệm người cho vay tin tưởng người đi vay sẽ hoàn trả vào một ngày trong tương lai. Người đi vay chỉ được sử dụng trong một thời gian nhất định, sau khi hết thời gian như thỏa thuận, người đi vay hoàn trả cho người cho vay. Bốn là, Tín dụng ấn chứa nhiều khả năng rủi ro. Do sự không cân xứng về thông tin và người cho vay không hiểu rõ hết về người đi vay. Một mối quan hệ tín dụng được gọi là hoàn hảo nếu người đi vay hoàn trả được đầy đủ gốc và lãi đúng thời hạn. Tuy nhiên trong thực tế không phải lúc nào cũng diễn ra một cách trôi chảy, không hiếm trường hợp người đi vay không thực hiện được nghĩa vụ của mình đối với chủ nợ do các nguyên nhân khách quan hay chủ quan gây ra. Đó là trường hợp 9 khi đến hạn hoàn trả vốn vay, người đi vay không thể thực hiện được việc trả nợ cho người vay dẫn đến các khoản nợ bị quá hạn. Nợ xấu là biểu hiện không lành mạnh của quá trình hoạt động tín dụng, là báo hiệu sự rủi ro. ➢ Các hình thức tín dụng: Khi nền kinh tế chuyển sang nền kinh tế thị trường hoạt động của NHTM cũng giống như các Doanh nghiệp khác đều chịu tác động của các quy định luật kinh tế. Điều này đòi hỏi các sản phẩm mà Ngân hàng cung ứng ra thị trường ngày càng phải đa dạng và phong phú phù hợp với nhu cầu của khách hàng nhưng vẫn phải đảm bảo được tính an toàn. Chính vì vậy cần tiến hành phân loại tín dụng để có thể sử dụng và quản lí hiệu quả. ✓ Căn cứ vào thời hạn tín dụng thường phân thành: Tín dụng ngắn hạn, tín dụng trung hạn và tín dụng dài hạn. ❖ Tín dụng ngắn hạn: Là các khoản cho vay có thời hạn không quá 12 tháng và được sử dụng để bù đắp sự thiếu hụt vốn lưu động của các doanh nghiệp và các nhu cầu chỉ tiêu ngắn hạn của cá nhân. ❖ Tín dụng trung hạn: Là các khoản vay có thời hạn từ 12 tháng đến 5 năm. Tín dụng trung hạn thường được để đầu tư mua sắm tài sản cố định, cải tiến hoặc đổi mới thiết bị, công nghệ, xây dựng các dự án quy mô nhỏ và thời gian thu hồi vốn nhanh. Trong nông nghiệp chủ yếu cho vay là để đầu tư các đối tượng xây dựng các vườn cây công nghiệp ❖ Tín dụng dài hạn: Là các khoản cho vay có thời hạn trên 5 năm. Mục đích sử dụng vốn vay gần như tín dụng trung hạn nhưng với quy mô lớn, thời hạn thu hồi vốn lâu hơn. ✓ Căn cứ vào mục đích cho vay có: Tín dụng bất động sản, tín dụng công nghiệp và thương mại ❖ Tín dụng bất động sản là loại tín dụng có liên quan đến việc mua sắm và xây dựng bất động sản. 10 ❖ Tín dụng công nghiệp và thương mại là loại tín dụng ngắn hạn để bổ sung vốn lưu động cho các doanh nghiệp trong lĩnh vực công nghiệp, thương mại và dịch vụ. ❖ Tín dụng công nghiệp là loại tín dụng cho vay để trang trải các chi phí sản xuất như phân bón, giống cây ❖ Cho vay các định chế tài chính bao gồm các khoản tín dụng cho các Ngân hàng, các công ty cho thuê tài chính, quỹ tín dụng và các đị...ần cân nhắc. Các chỉ tiêu đánh giá trong mô hình của Moody’s và S&P có sự tương đồng khá lớn nhưng nếu Moody’s xem xét sức mạnh tài chính độc lập của ngân hàng như một tổng thể kết hợp của những chỉ tiêu này và đưa ra tỷ trọng chi tiết cho từng chỉ tiêu thì mô hình của S&P lại lấy rủi ro của nền kinh tế và rủi ro ngành hàng làm trọng tâm đánh giá. Hai yếu tố rủi ro này được đánh giá theo 10 bậc từ thấp đến cao (b- đến a) để đưa ra một hạng mức cơ sở. 29 2.4. Mô hình toán học Logit-Probit hồi quy trong cảnh báo nợ xấu tín dụng: 2.4.1. Mô hình hồi quy theo biến giá (Qualitative Respones Regression Model) ➢ Khái niệm về mô hình Mô hình hồi quy theo biến giả (Qualitative Respones Regression Model) là mô hình có biến phụ thuộc là biến giả (dummy variable). Đây là một dạng của mô hình xác suất. Mô hình này khác với mô hình hồi quy tuyến tính cổ điển là biến phụ thuộc là biến định lượng. Các biến giả sẽ nhận giá trị là 1 hoặc 0 tương ứng với đặc điểm mà nó biểu hiện. Ví dụ biến giả là quyết định đi học cao học, nó sẽ nhận giá trị là 1 nếu người được hỏi có đi học và ngược lại sẽ nhận giá trị 0. Biến này còn được gọi là biến nhị phân (binary hay dichotomous). (Nguồn: amorfati.xyz) Hình 2. 1. Mô hình hồi quy theo biến giả (Qualitative Respones Regression Model) ➢ Mục tiêu của mô hình Vì giá trị của biến phụ thuộc là 0 và 1 nên chúng ta không thể ước tính giá trị trung bình như các mô hình hồi quy OLS. Mô hình này nhằm mục tiêu tìm kiếm xác suất của một sự kiện như tỷ lệ bỏ phiếu của cử tri, xác suất mua nhà,... Do đó mô hình này còn được gọi là mô hình xác suất (Probability model). 2.4.2. Mô hình Logit: ➢ Khai niệm về mô hình Logit: Là một mô hình định lượng trong đó biến phụ thuộc là biến giả, chỉ nhận 2 giá trị là 0 hoặc 1. Cụ thể hơn mô hình này giúp Ngân hàng xác định khả năng khách 30 hàng sẽ có trả nợ (biến phụ thuộc) trên cơ sở sử dụng các nhân tố ảnh hưởng đến khách hàng (biến độc lập). Nghĩa là, mô hình Logit có thể ước lượng xác xuất khả năng nợ xấu của một khách hàng là bao nhiêu từ mẫu. Cấu trúc dữ liệu trong mô hình như sau: - Biến độc lập: Giá trị liên tục hoặc rời rạc. - Biến phụ thuộc: Giá trị nhị phân. Mô hình kinh tế lượng tương ứng là: pi li = ln( ) = Zi =  +  X +  X + .... +  X 1− pi 0 1 1 2 2 k k Trong đó: - P là xác xuất trả nợ của khách hàng. - 123,..., k là các hệ số. - X1X 2 ,..., X k là các nhân tố ảnh hưởng. 2.4.2.1. Đặc điểm mô hình Logit trong việc đánh giá khả năng trả nợ của khách hàng. Mô hình Logit (Maddala, 1984) là mô hình định lượng trong đó biến phụ thuộc là biến giả, chỉ nhận 2 giá trị là 0 hoặc 1. Mô hình này được ứng dụng rộng rãi trong phân tích kinh tế nói chung và rủi ro tín dụng nói riêng. Mô hình Logit là mô hình toán học hồi quy để xem xét mối liên hệ giữa biến (Y) là biến phụ thuộc và tất cả các biến còn lại là biến độc lập. Bảng 2. 3. Cấu trúc các biến trong mô hình Logit Biến Kí hiệu Loại Phụ thuộc Y Nhị phân Độc lập Xi Liên tục hoặc rời rạc 31 (Nguồn: https://mc.ai/logistic-regression-odds-and-log-odds-pattern-for-equidistant- observations) Hình 2. 2. Đồ thị mô hình Logit Y đóng vai trò là biến phụ thuộc và là biến nhị phân, chỉ có thể nhận hai giá trị l à 0 hoặc 1, cụ thể là: 0 nếu không có khả năng trả nợ, 1 nếu có khả năng trả nợ. − Xi là biến độc lập, thể hiện các nhân tố ảnh hưởng đến khách hàng, ví dụ như ROE, ROA, vốn chủ sở hữu Đối với KHDN. − là giá trị ước lượng của Y, thu được khi hồi quy Y theo các biến độc lập. Một điều cần lưu ý là giá trị chưa chắc chắn đã thỏa mãn điều kiện do là giá trị ước lượng phụ thuộc vào các biến độc lập. Khi đó, phương trình tính xác suất khách hàng trả được nợ (tức là xác suất Y=1) được tính theo công thức sau, trong đó e là hằng số Euler (xấp xỉ 2,718): Y e exp(0+  1XXX 1 +  2 2 + ... + nn ) pi == Y 1+ e 1+ exp(0 +  1XXX 1 +  2 2 + ... + nn ) Như vậy để tính xác suất trả được nợ của khách hàng phải tính các giá trị ước lượng của Y, cần ước lượng hợp lý tối đa giá trị của β. Để làm được điều này lấy logarit cơ số tự nhiên hàm hợp lý, sau đó cho các đạo hàm riêng ứng với các βi bằng 32 0, thu được 1 hệ phương trình. Ngày nay, phương pháp ước lượng các hệ số đã được tự động hóa dựa trên một số phần mềm kinh tế lượng như Eviews, SPSS, Trong nghiên cứu thực nghiệm, người ta có thể tìm cách bỏ đi một số biến mà vai trò giải thích cho biến Y không đủ lớn (hệ số không có ý nghĩa thống kê), nhằm tránh hiện tượng các biến độc lập có tương quan lẫn nhau làm sai lệch kết quả của mô hình. Khi đã ước lượng được các hệ số β, lúc này trước khi tiến hành dự báo xác suất khả năng trả nợ của khách hàng, điều cần thiết là tiến hành một số kiểm định để xem xét mô hình hồi quy đó đã hợp lý chưa, liệu có tồn tại khuyết tật nào của mô hình không. Để giải quyết vấn đề cần tiến hành một số kiểm định như sau: - Kiểm định tính ngẫu nhiên của phần dư: các sai số thu được từ mô hình ước lượng so với giá trị thực tế là Y phải là sai số ngẫu nhiên. Để kiểm định tính ngẫu nhiên của các sai số này, người ta có thể sử dụng kiểm định Dickey- Fuller hoặc kiểm định Philip-Perron. - Kiểm định tính định dạng đúng của mô hình: mô hình hợp lý là mô hình được định dạng đúng, việc định dạng sai mô hình có thể dẫn đến các kết quả sai lệch và làm kết quả dự báo bị méo mó. Để kiểm định xem mô hình được định dạng đúng hay chưa, người ta sử dụng thống kê Hosmer- Lemeshow. Nếu mô hình có các phần dư là sai số ngẫu nhiên và được định dạng đúng thì mô hình được coi là phù hợp, có thể sử dụng để dự báo. Ngược lại, nếu không thỏa mãn 2 điều kiện trên cần hồi quy lại mô hình với các biến độc lập khác hoặc tiến hành một số hiệu chỉnh cần thiết như tăng cỡ mẫu, điều chỉnh định dạng hàm, Một mô hình được coi là thành công hay không phụ thuộc chủ yếu vào tính chính xác của kết quả dự báo thu được từ mô hình đó. Do biến Y chỉ có thể nhận 2 giá trị là 0 hoặc 1, do vậy người ta đưa vào 1 ngưỡng xác suất để xếp khách hàng vào mức 0 hoặc 1 (tương ứng với không có khả năng trả nợ – có khả năng trả nợ). Ngưỡng xác suất ở đây thường được lấy là 0,5; tức là, nếu xác suất khách hàng trả được từ 0,5 trở lên, khi đó xếp khách hàng vào nhóm trả được nợ. Nếu xác suất 33 khách hàng trả được nợ nhỏ hơn 0,5, khi đó xếp khách hàng vào nhóm không trả được nợ. Sau đó so sánh việc xếp loại khách hàng này với thực tế trả nợ của họ xem tỷ lệ đúng là bao nhiêu, đó chính là độ chính xác của kết quả dự báo. 2.4.2.2. Cơ sở toán học và các khái niệm liên quan nghiên cứu liên quan đến mô hình Logit. ➢ Nghiên cứu của Chiara Pederzoli, Costanza Torricelli: Đây là mô hình được phát triển dựa trên kết quả nghiên cứu do E.I.Altman (1986) được sử dụng để xác định điểm tín dụng đối với các doanh nghiệp vay vốn dựa trên giả đỉnh rủi ro tài chính của KHDN ảnh hưởng trực tiếp đến rủi ro tín dụng của khách hàng. Nếu như Alman sử dụng đại lượng Z dùng làm thước đo tổng hợp để phân loại rủi ro tín dụng đối với KHDN và phụ thuộc vào: trị số của các chỉ số tài chính của KHDN và tầm quan trọng của các chỉ số này trong việc xác định xác xuất vỡ nợ của KHDN trong quá khứ thì các tác giả sử dụng các chỉ tiêu tài chính và trịnh số để lượng hóa xác suất vỡ nợ của KHDN quy mô nhỏ và quy mô siêu nhỏ. Các tác giả đã xây dựng mô hình như sau: PD=1 / (1+exp (2.86 + 3.46LTLA + 3.52EBITA + 11.18EQUITYA + 0.43SALESA)) Trong đó: LTLA = Nợ dài hạn/Tổng tài sản. EBITA = Lợi nhuận trước thuế/Tổng tài sản. EQUITYA = Nợ phải trả/Tổng tài sản. SALESA = Doanh thu/Tổng tài sản. Xác suất PD càng cao, thì xác suất trả nợ của KHDN càng thấp. Ngược lại khi xác suất PD càng thấp thì khả năng trả nợ của KHDN càng tốt. Kết quả mô hình cho thấy chỉ tiêu tài chính có ảnh hưởng đến khả năng trả nợ của KHDN. 34 ➢ Nghiên cứu của Irakli Ninua: - Để ước tính mối liên hệ giữa khoản tín dụng có TSBĐ với khả năng trả nợ của khách hàng doanh nghiệp tại ProCreditBank của Georgia từ năm 2004-2007, tác giả sử dụng một mô hình Logit, với về tài sản bảo đảm 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). Các khoản vay với LLR cao được xác định là các khoản vay rủi ro và khách vay với LLR thấp được xác định là các khoản vay ít rủi ro. 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. Bảng 2. 4. Các biến để ước lượng LLR trong mô hình của Irakli Ninua STT Biến sử dụng trong mô hình 1 Biến phụ thuộc → Tỷ lệ khoản vay không trả nợ (LLR) 2 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 chi nhánh cho vay → Biến giả cho ngành công nghiệp của khách hàng (Nguồn: Does a collateralized loan have a higher probability to default, Irakli Ninua) 35 Tỷ lệ số tiền vay đã được phê duyệt (RATIOAR) ảnh hưởng tiêu cức 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 dộng. 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%, mới 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 sản xuất các 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. ➢ Nghiên cứu của Andrea Ruth Coravos: - Tác giả sử dụng mô hình Logit đa thức (Multinomial Logistic Regression Models) để đo lượng khả năng trả nợ của khách hàng là các KHDN quy mô nhỏ tại Community development financial institutions (CIFIs):  0 + 1X +  2Y + 3Z +  4M  Pr(Di = Strong, Medium,Weak) = F i i i i     - 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 NQH, cơ cấu nợ; “Medium”: từng hơn 1 lần NQH 30 ngày, từng NQH 60 ngày, từng cơ cấu nợ; “Weak”: từng NQH 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 FICO cá nhân, 36 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 Dè 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 doạnh 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”. ➢ Nghiên cứu Jiménez và Saurina: - Nhóm tác giả sử dụng dữ liệu tất cả các khoản vay của các TCTD (ngân hàng, quỹ tiết kiệm, hợp tác xã hội và cơ sở tài chính tín dụng) ở Tây Ban Nha với giá trị món vay hơn 6,000euro 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 05 năm, cụ thể là năm 1987, 1990, 1993, 1997 và 2000. Phương pháp tiếp cận đo lượng khả năng vỡ nợ dựa trên một mô hình Logit nhị thức (Binary Logistic Regressions Models) như sau: 푝푟표푏(푦푖푡 = 1/(푥푖푡, 푧푡)) = 푝푟표푏(푦 ∗ 푖푡 > 0/(푋푖푡, 푧푡)) = 퐹(훼 + 푋′푖푡훽 + 푍′푡훾) Trong đó: Prob (Yit = 1/(Xi,Zt)) là xác suất vỡ nợ của khách 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 KHDN đi vay và các khoản vay, mô hình bổ sung một biến giả năm (Zt). 37 2.4.2.3. Đặc điểm của mô hình Logit: ➢ Ưu điểm mô hình − Mô hình Logit là mô hình định lượng nên khắc phục được những nhược điểm của mô hình định tính, thể hiện sự khách quan, nhất quán, không phụ thuộc vào ý kiến chủ quan của nhân viên tín dụng. − Mô hình Logit này có kỹ thuật đo lường rủi ro tín dụng, nợ xấu tín dụng khả đơn giản, dễ thực hiện bằng phần mềm chuyển dụng (như EVIEWs, SPSS). − Mô hình Logit có thể là cơ sở để ngân hàng phân loại khách hàng và nhận định rủi ro. Thông qua kết quả từ mô hình, chúng ta có thể ước lượng được xác suất không trả được nợ của khách hàng, từ đó ngân hàng có thể xác định được KHDN nào có khả năng trả nợ, KHDN không có khả năng trả nợ và giúp ngân hàng chủ động trong việc đưa ra những biện pháp hạn chế rủi ro. − Một ưu điểm nổi bật của mô hình Logit so với mô hình XHTD truyền thống, có thể đo lường vai trò của các yếu tố tác động đến khả năng trả nợ của khách hàng. Ngoài ra, trong khi mô hình thống kê khác như phân tích phân biệt (Như điểm số Z) lại cúng nhắc trong việc xem xét các yếu tố tác động tới biến phụ thuộc và các hệ số của biến độc lập (do Altman đưa ra), trong khi với mô hình Logit có thể dễ dàng hiệu chỉnh hoặc thêm bớt các biến định tính và định lượng nhằm xác định cụ thể tác động của các yếu tố tới rủi ro tín dụng là như thế nào. ➢ Nhược điểm mô hình: − Mô hình đòi hỏi phải có một số lượng dữ liệu đủ lớn cho mỗi phạm trù trong số liệu thống kê trong quá trình xử lý dữ liệu. Trong trường hợp biến độc lập có số lượng biến hiển thị quá thấp, mô hình có thể mắc phải lỗi bỏ qua tác động của biến trên kết quả biến phụ thuộc. − Do chỉ sử dụng phương pháp định lượng nên kết quả mô hình có thể trái ngược hoàn toàn với lý thuyết và không có chức năng giải thích nguyên nhân kết quả mô hình. 38 − Mô hình không thể ứng dụng đối với các trường hợp KHDN khiếm khuyết dữ liệu hoặc các trường hợp KHDN có cấu trúc tài chính đặc biệt. ➢ Điều kiện cần thiết để ứng dụng mô hình Logit: − Dữ liệu đầu vào đủ lớn để có thể không bỏ sót các biến độc lập ảnh hưởng đến kết quả mô hình. − Có cơ sở lý thuyết vững mạnh và số liệu đối chiếu để lựa chọn đưa các biến độc lập trong quá trình xây dựng mô hình, để chứng minh hoặc phản biện kết quả mô hình là phù hợp hay chưa phù hợp. ➢ Ước lượng mô hình Logit Phương trình ước lượng: Li= I n( P i /1 − P i ) = Z i =2 X i + u i Ước lượng mô hình này chia làm hai nhóm như sau: − Dữ liệu đơn lệ: Như ví dụ ở trên, Pi=1 nếu bạn thắng và Pi=0 nếu bạn thua. Đối với trường hợp này, bạn không thể ước lượng thông thường như OLS được vì khi nhập giá trị In(1/0) hay In(0/1) là vô nghĩa. Trường hợp này bạn phải ước lượng bằng phương pháp xác suất cực đại (Maximum likelihood) Dữ liệu theo nhóm: Thay vì xem dữ liệu như từng cá thể riêng biệt, bạn có thể nhóm nó lại. Theo cách này thì Pi được ước lượng thông qua = 푛푖/푁푖 trong điều kiện Ni đủ lớn. Trong ví dụ ở trên thì n là số bạn thắng và N là số bạn chơi. Tương tự như mô hình xác suất tuyến tính, mô hình này vẫn bị phương sai sai số thay đổi nên phải ước lượng bằng WLS. ➢ Các bước thực hiện: Bước 1: Tính xác suất nếu bạn thắng cuộc: ni Pi = Ni 39 Bước 2: đối với từng giá trị Xi, tính giá trị của L: Li=− In Pi/ (1 Pi  Bước 3: Biến đổi mô hình về WLS: wi L i=12 w i + w i L i + w i u Bước 4: Rút gọn lại sẽ có dạng: ** Li=12 w i +  X i +  i Bước 5: Sau khi đã chuyển về WLS, bạn có thể ước lượng như OLS; lưu là ý mô hình không còn hệ số chặn nữa. ➢ Bộ công cụ hỗ trợ xây dựng mô hình dự báo Logit: Ngày nay, phương pháp ước lượng các hệ số đã thuộc tự động hóa dựa trên một số phần mềm kinh tế lượng như Eviews, SPSS, Trong nghiên cứu thực nghiệm, người ta có thể tìm cách bỏ đi một số biến mà vai trò giải thích cho biến Y không đủ lớn (hệ số không có ý nghĩa thống kê), nhằm tránh hiện tượng các biến độc lập có tương quan lẫn nhau làm sai lệch kết quả của mô hình. − Mô hình Logit này có kỹ thuật đo lường rủi ro tín dụng khá đơn giản, dễ thực hiện bằng phần mềm chuyển dụng (như Eviews, SPSS, STATA). − Một mô hình được coi là thành công hay không phụ thuộc chủ yếu vào tính chính xác của kết quả dự báo thu được từ mô hình đó. Do biến Y chỉ có thể nhận 2 giá trị là 0 hoặc 1, do vậy người ta đưa vào 1 ngưỡng xác suất để xếp khách hang vào mức 0 hoặc 1 (tương ứng với không có khả năng trả nợ - có khả năng trả nợ). Ngưỡng xác suất ở đây thường được lấy là 0,5; tức là, nếu xác suất khách hàng trả được từ 0,5 trở lên, khi đó xếp khách hàng vào nhóm trả được nợ. Nếu xác suất khách hàng trả được nợ nhỏ hơn 0,5, khi đó xếp khách hàng vào nhóm không trả được nợ. Sau đó so sánh việc xếp loại khách 40 hàng này với thực tế trả nợ của họ xem 18 tỷ lệ đúng là bao nhiêu, đó chính là độ chính xác của kết quả dự báo. − Mô hình Logit và Probit vè cơ bản thì giống nhau, chỉ có sự khác biệt về phân phối. Mô hình Logit thì tuân theo phân phối Logistic chuẩn tích lũy(F) còn mô hình Probit thì tuân theo phân phối chuẩn tích lũy (). Trong bài viết này tôi sẽ hướng dẫn chạy mô hình Logit bằng Eviews 8.0, và giải thích ý nghĩa của từng tham số trong mô hình. Mô hình Probit sẽ được đề cập đến trong các bài viết tiếp theo. 2.4.3. Mô hình Probit: 2.4.3.1. Giới thiệu mô hình Probit: Mô hình Probit hay còn có tên gọi là mô hình normit. Tên gọi Probit bắt nguồn từ chữ Probability và unit. Mô hình này áp dụng đối với các biến phụ thuộc có dạng nhị phân. Ví dụ biến phụ thuộc là khả năng kết hôn của một người. Nếu người này kết hôn thì sẽ nhận giá trị 1 và ngược lại là 0. Ý tưởng của mô hình Probit: Mô hình probit cho rằng quyết định kết hôn bị tác động bởi một biến tiềm ẩn nào đó. Biến tiềm ẩn này được gọi là chỉ số hữu dụng utility index I. Biến chỉ số này bị ảnh hưởng bởi các biến giải thích: IXii=+12 Một người sẽ quyết định kết hôn khi giá trị I này vượt qua một ngưỡng nào đó tạm gọi là I*. Giá trị I* này chúng ta không thể biết được nhưng giả định nó có phân phối chuẩn. Xác suất để người đó không kết hôn sẽ có dạng: * PPIIPZXFXi=( i  i) =()() i 1 +  2 i =  1 +  2 i Hàm F là hàm phân phối tích lũy chuẩn (CDF). Vì P là xác suất người đó kết hôn nên bạn phải tính nghịch đảo của F, do đó ta có công thức: 41 −1 IFPXi=() i =12 + i ❖ Ước lượng biến tiềm ẩn o Đối với dữ liệu theo nhóm Từ thông tin từ mẫu, bạn có thể xác định được Pi . Ví dụ khảo sát 100 người và có 40 người kết hôn thì Pi = 0.4. Ii được ước lượng thông qua hàm CDF. o Đối với dữ liệu cá biệt Tương tự như mô hình xác suất tuyến tính, bạn vẫn phải sử dụng phương pháp ước lượng xác suất cực đại. (Nguồn: amorfati.xyz) Hình 2. 3. Đồ thị mô hình Probit − Ý tưởng phân tích Probit được xuất bản trong khoa học bởi Chester Bliss trong năm 1934. Năm 1952, một Giáo sư về thống kê tại Đại học Endiburgh là David Finney đã viết lại một cuốn sách với tên gọi là “Phân tích Probit”. − Cấu trúc dữ liệu trong mô hình Probit cũng tương tự như mô hình Logit, mô hình ước lượng xác suất trả nợ của một khách hàng. Mô hình Probit có giả thiết sai số ngẫu nhiên có sai số chuẩn hóa: N(01). 42 Trong đó F là hàm phân phối xác suất tích lũy. Khi đó hàm hợp lệ có dạng: Các biến và tham số trong mô hình Probit tương tự như mô hình Logit. 2.4.3.2. Đặc điểm của mô hình Probit: ➢ Ưu điểm: Xác suất (P) đại diện cho sự kết hợp tuyến tính của các nhân tố đưa vào mô hình xếp hàng. Với phương pháp ước lượng khác nhau, tuy nhiên kết quả của hai mô hình Logit và Probit khác nhau không đáng kể. Vì dễ dùng hơn trong trình bày toán học, các mô hình Logit và Probit thường được sử dụng cho mô hình XHTD trong thực tế, có khả năng lượng hóa được xác suất khả năng trả nợ hoặc trả nợ của KHDN. Trong quá trình sử dụng mô hình này không đòi hỏi các gải thuyết về những nhân tố liên quan tới khả năng trả nợ, dữ liệu dù là định tính hay lượng tính thì đều có thể được xử lí mà không gặp phải bất cứ một vấn đề nào. ➢ Nhược điểm: Trong quá trình xử lí dữ liệu, đòi hỏi phải có một lượng dữ liệu đủ lớn cho mỗi phạm trù trong số liệu thống kê. ➢ Ước lượng biến tiềm ẩn: − Đối với dữ liệu theo nhóm: Từ thông tin từ mẫu, bạn có thể xác định được Pi . Ví dụ khảo sát 100 người và có 40 người kết hôn thì . Ii được ước lượng thông qua hàm CDF. 43 − Đối với dữ liệu cá biệt: Tương tự như mô hình xác suất tuyến tính, bạn vẫn phải sử dụng phương pháp ước lượng xác suất cực đại. 2.5. Mô hình Z-Score và điểm số tín dụng tiêu dùng: 2.5.1. Giới thiệu về mô hình: − Công trình của Altman được xây dựng dựa trên nghiên cứu của nhà nghiên cứu kế toán William Beaver và những người khác. Trong những năm 1930 trở đi, Mervyn và những người khác đã thu thập các mẫu phù hợp và đánh giá rằng các tỷ lệ kế toán khác nhau dường như có giá trị trong việc dự đoán phá sản. Điểm Z của Altman là phiên bản tùy biến của ký thuật phân tích phân biệt đối xử của RA Fisher (1936). − Công trình của William Beaver, được xuất bản vào năm 1966 và 1968, là người đầu tiên áp dụng phương pháp thống kê, kiểm tra để dự đoán phá sản cho một mẫu các công ty phù hợp. Beaver đã áp dụng phương pháp này để đánh giá tầm quan trọng của từng tỷ lệ kế toán dựa trên phân tích đơn biến, sử dụng từng tỷ lệ kế toán một lần. Cải tiến chính của Altman là áp dụng một phương pháp thống kê, phân tích phân biệt, có thể tính đến nhiều biến số cùng một lúc. − Có nhiều công cụ đã được phát triển để làm việc này, trong đó chỉ số Z của Altman là công cụ được cả hai giới học thuật và thực hành công nhận và sử dụng rộng rãi trên thế giới. Chỉ số Altman Z-Score (gọi tắt là chỉ số Z-Score) được phát triển năm 1968 bởi giáo sư Edward I. Altman, trường kinh doanh Leonard N. Stern, thuộc trường Đại học New York, dựa vào việc nghiên cứu khá công phu trên số lượng nhiều công ty khác nhau tại Mỹ. Mặc dù chỉ số Z- Score này được tìm ra tại Mỹ, những hầu hết các nước, vẫn có thể sử dụng với độ tin cậy cao. 2.5.2. Cơ sở toán học và các khái niệm liên quan: − Ban đầu giáo sư Altman sử dụng đến 22 chỉ tiêu tài chính (Financial Ratio) khác nhau để tính chỉ số Z-Score, sau đó ông phát triển thêm và rút gọn lại còn 44 sử dụng 5 chỉ tiêu. Cụ thể, Z-Score được tính với 5 chỉ số tài chính được ký hiệu từ X1, X2, X3, X4, X5 bao gồm: ✓ X1: Tỷ số vốn lưu động trên tổng tài sản (Working Capitals/Total Assets). ✓ X2: Tỷ số lợi nhuận giữ lại trên tổng tài sản (Retain Earning/Total Assets). ✓ X3: Tỷ số lợi nhuận trước lãi vay và thuế trên tổng tài sản (EBIT/Total Assets). ✓ X4: Giá trị thị trường của vốn chủ sở hữu trên giá trị số sách của tổng nợ (Market Value of Total Equity / Book values of total Liabilities). ✓ X5: Tỷ số doanh số trên tổng tài sản (Sales/Total Assets). Ngoài ra, từ một chỉ số Z ban đầu, Giáo sư Edward I. Altman đã phát triển ra Z’ và Z’’ để có thể áp dụng theo từng loại hình và ngành của doanh nghiệp: Đối với doanh nghiệp đã cổ phần hóa, ngành sản suất, Z-Score được tính theo công thức: Z=1.2X1 + 1.4X2 + 3.3X3 + 0.64X4 + 0.999X5 (1) − Nếu Z > 2.99: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản. − Nếu 1.8 < Z < 2.99: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản. − Nếu Z < 1.8: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao. ➢ Mô hình Z-Score áp dụng cho các công ty tư nhân: Kết quả của mô hình Z-Score điều chỉnh với biến mới X4 là: Đối với doanh nghiệp chưa cổ phần hóa, ngành sản suất Z-Score, kết quả của mô hình này điều chỉnh với biến mới X4 được tính theo công thức: Z’=0.717X1 + 0.847X2 + 3.107X3 + 0.42X4 + 0.998X5 (2) Các điểm ngưỡng cho chỉ số Z’ này như sau: 45 − Nếu Z’ > 2.9: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản. − Nếu 1.23 > 2.9: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản. − Nếu Z’ < 1.23: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao. ➢ Mô hình Z-Score điều chỉnh áp dụng cho các doanh nghiệp không sản suất Đối với các doanh nghiệp khác: Chỉ số Z’’ dưới đây có thể được dùng cho hầu hết các ngành, các loại hình doanh nghiệp. Vì sự khác nhau khá lớn của X5 giữa các ngành, nên X5 đã được loại ra. Công thức tính chỉ số Z’’ được điều chỉnh như sau: Z’’=6.56X1 + 3.26X2 + 6.72X3 + 1.05X4 (3) − Nếu Z’’ > 2.6: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản. − Nếu 1.2 < Z’’ < 2.6: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản. − Nếu Z’’ < 1.1: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao. 2.5.3. Đặc điểm của mô hình Z-Score: − Trên thế giới chỉ số Altman’s Z-Score đã được áp dụng trong nhiều năm và nhiều quốc gia khác nhau như năm 1968 cho các doanh nghiệp nhỏ tại Mỹ, sau đó giáo sư Altman còn áp dụng Z-Score trong nghiên cứu của mình năm 1983, 1998 và 2000. − Kết quả cho thấy chỉ số Z-Score đã dự báo chính xác tới khoảng 95% doanh nghiệp bị phá sản trong năm kết tiếp và 72% doanh nghiệp bị phá nghiệp sẽ 46 giúp cho NHTM có được dự báo sớm về rủi ro phá sản của doanh nghiệp, cũng chính là rủi ro tín dụng, nợ xấu tín dụng của NHTM. − Do đó Z-Score là công cụ bổ trợ hữu ích cho NHTM trong xác định và dự báo và theo dõi rủi ro tín dụng của doanh nghiệp trong hoạt động tín dụng của mình. Trên cơ sở những ưu điểm và khả năng áp dụng rộng rãi của Z-Score trong dự báo nợ xấu tín dụng của doanh nghiệp, NHTM nên xem xét thực thi một số giải pháp sau để tận dụng ưu điểm của Z-Score trong quản lý nợ xấu tín dụng của mình: Một là, nên bổ sung chỉ số Z-Score vào các chỉ tiêu xếp hạng tín dụng nội bộ khi đánh giá tín dụng và ra quyết định cấp tín dụng cho khách hàng. Điều này giúp dự báo sớm khả năng phá sản cũng chính là rủi ro tín dụng của khách hàng. Chỉ cấp tín dụng cho những doanh nghiệp có mức Z-Score an toàn. Kiên quyết từ chối các doanh nghiệp có mức Z-Score thấp hoặc hạn chế cấp tín dụng cho các doanh nghiệp có Z-Score ở mức rủi ro. Hai là, thường xuyên theo dõi, tính toán lại chỉ số Z-Score theo quy hoặc theo tháng để đánh giá rủi ro tín dụng của khách hàng và theo dõi chiều hướng thay đổi của Z-Score để phát hiện kịp thời rủi ro biện pháp can thiệp thích hợp. Ba là, nên nghiên cứu sự thích hợp của Z-Score trong áp dụng cho từng nhóm đối tượng khách hàng để điều chỉnh các chỉ tiêu sao cho thích hợp tại Lào. KẾT LUẬN CHƯƠNG 2 Chương này đã tập trung nghiên cứu và đưa ra một số phương pháp, mô hình cảnh báo nợ xấu tín dụng ngân hàng chẳng hạn như các mô hình CAEL, các mô hình chất lượng 6C, mô hình định tính – Mô hình 6C, mô hình xếp hạng các ngân hàng của Moody’s, Mô hình Standard & Poor’s (S&P); Một số mô hình hồi quy Logit-Probit trong cảnh báo nợ xấu tín dụng, mô hình Z-Score. 47 Bên cạnh đó, chương này còn chỉ ra những ưu nhược điểm của một số mô hình và đưa ra lựa chọn mô hình cho thử nghiệm ứng dụng. 48 CHƯƠNG 3: DỰ BÁO NỢ XẤU DỰA VÀO MÔ HÌNH LOGIT-PROBIT TRÊN PHẦN MỀM EVIEWS 8 VÀ DỰ BÁO PHÁ SẢN DỰA VÀO MÔ HÌNH Z-SCORE 3.1. Giới thiệu về Ngân hàng NAYOBY Lào: 3.1.1. Giới thiệu về ngân hàng: NHNBB có tên bằng theo tiếng Anh là NAYOBY BANK (NBB) đã được thành lập theo giấy phép số 03/NHNL, Ngày 15/09/2006 của Thống đốc Ngân hàng Nhà nước CHDCND Lào là một ngân hàng cụ thể có cương vị là một pháp nhân hoạt động mà không tìm kiếm lợi nhuận, dưới sự giám sát của Ngân hàng Nhà nước CHDCND Lào. Quản lý việc sử dụng nguồn vốn chính sách bằng tín dụng thúc đẩy sản xuất hàng hóa trong 47 huyện nghèo và tập trung vào sự phát triển nền kinh tế - xã hội với sự chuyển đổi nền kinh tế tự nhiên hướng tới một nền kinh tế hàng hóa trong một khu vực nông nghiệp nhỏ, thủ công và sự quản lý trong nông thôn đang phát triển, vay lãi suất thấp. Ngân hàng NAYOBY có vai trò thực hiện theo đường lối của Đảng – Nhà nước, góp phần giảm nghèo của đồng bào các dân tộc, tiến hành công việc với không tìm kiếm lợi nhuận. Thực hiện chính sách tín dụng cho người nghèo, người có mục đích dự định đầu tư vào huyện nghèo và theo đường lối chính sách của Đảng – Nhà nước đã đặt ra trong từng thời kỳ, quản lý việc sử dụng nguồn vốn chính sách với nhằm mục đích chuyển đổi nền kinh tế tự nhiên thành sản xuất trong lĩnh vực lâm nghiệp, công nghiệp nhỏ, thủ công mỹ nhỏ và các dịch vụ.. hãy phát triển với một khoản vay lãi suất chính sách. ➢ Mục đích cho vay của NHNBB Mục đích là để cho vay đối với người sản xuất trong khu vực nghèo và vùng nông thôn hẻo lánh hoặc các dự án phát triển ưu tiên của Chính phủ để góp phần để giải quyết nghèo và khuyến khích năng suất góp phần tạo việc làm để tạo thu nhập cho đồng bào các dân tộc có một đời sống càng tốt. 49 ➢ Mục tiêu cho vay của NHNBB Để cho đồng bào các dân tộc trong khu vực nghèo có vốn được sử dụng để ... Bảng 3. 7. Kiểm định điểm dừng LTLA Panel unit root test: Summary Series: LTLA Date: 10/05/20 Time: 09:35 Sample: 2016 2016 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test Cross- Method Statistic Prob.** sections Obs Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* 1.36308 0.9136 4 8 Breitung t-stat 4 4 ** Probabilities are computed assuming asympotic normality (Nguồn: Tác giả tổng hợp từ Eviews 8.0) Ta tiến hành kiểm định ADF chuỗi dữ liệu LTLA, với độ trễ là 1, ta thấy chuỗi náy có tính dừng. Tiến hành lấy sai phân một lần ta được kết quả như (bảng 7) Chuỗi dừng ở mức ý nghĩa 1%. Bảng 3. 8. Kiểm định tính dừng của SALESA Panel unit root test: Summary Series: SALESA Date: 10/05/20 Time: 09:41 Sample: 2016 2016 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test Method Statistic Prob.** Cross- sections Obs Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* 2.94379 0.9984 3 6 Breitung t-stat 3 3 ** Probabilities are computed assuming asympotic normality (Nguồn: Tác giả tổng hợp từ Eviews 8.0) 66 Ta tiến hành kiểm định ADF chuỗi dữ liệu SALESA, với độ trễ là 2, ta thấy chuỗi này không có tính dừng. Tiến hành lấy sai phân một lần ta được kết quả như (bảng 8) Chuỗi dừng ở mức ý nghĩa 1%. 1.2. Xác xuất PD Các tác giả đã xây dựng mô hình như sau: PD=1 / (1+exp (2.86 + 3.46LTLA + 3.52EBITA + 11.18EQUITYA + 0.43SALESA)) ❖ Doanh nghiệp AVS − PD (2016) = 1 / (1+exp (2.86 + 3.46(0.2732) + 3.52(0.0783) + 11.18(0.5915) + 0.43(0.3678))) = 0.000019 − PD (2017) = 1 / (1+exp (2.86 + 3.46(0.1958) + 3.52(0.0720) + 11.18(0.6040) + 0.43(0.3243))) = 0.000082 − PD (2018) = 1 / (1+exp (2.86 + 3.46(0.1171) + 3.52(0.0597) + 11.18(0.7066) + 0.43(0.2667))) = 0.000220 ❖ Doanh nghiệp KNV − PD (2016) = 1 / (1+exp (2.86 + 3.46(0.1979) + 3.52(0.0162) + 11.18(0.7785) + 0.43(0.4956))) = 0.000004 − PD (2017) = 1 / (1+exp (2.86 + 3.46(0.0360) + 3.52(0.0100) + 11.18(0.7357) + 0.43(0.7207))) = 0.000014 − PD (2018) = 1 / (1+exp (2.86 + 3.46(0.0326) + 3.52(0.0067) + 11.18(0.7275) + 0.43(0.2719))) = 0.000450 67 Bảng 3. 9. Biến xác suất phá sản của 10 doanh nghiệp PD STT Tên doanh nghiệp 2016 2017 2018 1 AVS 0.000019 0.000082 0.000220 2 KNV 0.000004 0.000014 0.000450 3 IMM 0.004311 0.000563 0.002684 4 EBC 0.000006 0.001195 0.000028 5 RTB 0.000050 0.000857 0.000250 6 LAA 0.000011 0.000100 0.000026 7 DFD 0.000002 0.000036 0.000041 8 KKC 0.001144 0.003936 0.009268 9 RBP 0.000111 0.004066 0.001259 10 REL 0.002502 0.003249 0.007147 (Nguồn: Tác giả tổng hợp trên Eviews 8.0) Xuất phát từ thực tiễn, bài nghiên cứu giới thiệu việc sử dụng mô hình Logit (Logistics), đánh giá khả năng trả nợ của 10 nhóm khách hàng khi vay tại Ngân hàng NAYOBY Lào. Trên cơ sở đó đưa ra một số nhận xét và dự báo nợ xấu của Ngân hàng. Khi xác xuất vỡ nợ càng cao thì khả năng trả nợ của khách hàng càng thấp dẫn tới nợ xấu của ngân hàng tăng. Nhìn chung doanh nghiệp AVS năm 2016 đến năm 2018 tăng 0.000201. Doanh nghiệp KNV từ năm 2016 tới năm 2018 đã tăng 0.000446. Doanh nghiệp IMM chỉ số năm 2016 tới năm 2018 đã giảm 0.001627. Doanh nghiệp EBC năm 2016 bằng 0.000006 cho tới năm 2017 đã tăng 0.001189 nhưng tới năm 2018 đã giảm tới 0.001161. Doanh nghiệp RTB thì có tăng nhẹ từ năm 2016 tới năm 2008 tăng 0.000200. Doanh nghiệp LAA nhìn chung thì có sự tăng nhẹ từ năm 2016 tới năm 2018 là 0.000015. Doanh nghiệp DFD có sự tăng dần theo từng năm từ năm 2016 tới 2018 đã tăng 0.000039. Doanh nghiệp KKC có sự tăng từ năm 2016 tới 2017 là 0.002792 và có sự tăng mạnh từ năm 2017 tới 2018 là 0.005332. Doanh nghiệp RBP có sự thay đổi từ năm 2017 tới 2018 đã giảm 0.002807. Doanh nghiệp REL có sự tăng đần từ năm 2016 tới 2018 là 0.004645. 68 Hình 3. 7. Nhập dữ liệu vào để phân tích Z-Score View > Graph > OK (Nguồn: Tác giả tổng hợp trên Eviews 8.0) Biểu đồ 3. 1. Sự biến động của xác xuất phá sản của Ngân hàng NBB 69 Bảng 3. 10. Kiểm định tính dừng của biến PD Panel unit root test: Summary Series: PD Date: 11/06/20 Time: 09:43 Sample: 2016 2016 Exogenous variables: Individual effects, individual linear trends Automatic selection of maximum lags Automatic lag length selection based on SIC: 0 Newey-West automatic bandwidth selection and Bartlett kernel Balanced observations for each test Method Statistic Prob.** Cross-sections Obs Null: Unit root (assumes common unit root process) Levin, Lin & Chu t* -1.18541 0.1179 7 14 Breitung t-stat 7 7 ** Probabilities are computed assuming asympotic normality (Nguồn: Tác giả tổng hợp từ Eviews 8.0) Giả thuyết kiểm định: ✓ H0:  = 0 (Yt là chuỗi dữ liệu không dừng) ✓ H1:  < 0 (Yt là chuỗi dữ liệu dừng) Theo kết quả chạy kiểm định ADF, chuỗi dữ liệu của biến PD không có tính dừng. Ta tiến hành xử lý bang cách lấy sai phân một lần để được chuổi dừng kết quả như (bảng 10), với độ trễ bằng 0. Ta thấy giá trị nhỏ hơn các giá trị tới hạn mức ý nghĩa 1%. 3.3. Dự báo phá sản dựa trên mô hình Z-Score tại các Doanh nghiệp khách hàng của Ngân hàng Để áp dụng tính Z-Score, tác giả dùng báo cáo tài chính của một doanh nghiệp đang niêm yết trên sàn chứng khoán Lào để thể hiện cách tính Z-Score. Tác giả đã lấy công thức của Giáo sư Edward I.Altman , Đối với doanh nghiệp đã cổ phần hóa, ngành sản suất, Z-Score được tính theo công thức: 70 Z = 1.2X1 + 1.4X2 + 3.3X3 + 0.64X4 + 0.999X5 − Nếu Z > 2.99: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản. − Nếu 1.8 < Z < 2.99: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản. − Nếu Z < 1.8: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cap. ➢ Bài toán để phân tích Z-Score Theo công thức của Altman Z = 1.2X1 + 1.4X2 + 3.3X3 + 0.64X4 + 0.999X5 Lấy dữ liệu từ bảng các biến độc lập − AVS (2016) = 1.2(0.2228) + 1.4(0.06) + 3.3(0.0783) + 0.64(0.82) + 0.999(0.3678) = 1.502122122 − AVS (2017) = 1.2(0.2084) + 1.4(0.0568) + 3.3(0.072) + 0.64(0.72) + 0.999(0.3243) = 3.331225842 − AVS (2018) =1.2(0.0603) + 1.4(0.0442) + 3.3(0.0597) + 0.64(0.08) + 0.999(0.2667) = 2.645950723 − KNV (2016) = 1.2(-0.1575) + 1.4(0.0111) + 3.3(0.0163) + 0.64(0.33) + 0.999(0.4956) = 0.58651886 − KNV (2017) = 1.2(0.0251) + 1.4(0.0013) + 3.3(0.0101) + 0.64(0.42) + 0.999(0.7207) = 1.467363493 − KNV (2018) =1.2(0.0268) + 1.4(0.006) + 3.3(0.0068) + 0.64(0.21) + 0.999(0.2719) = 2.134348117 71 Bảng 3. 11. Các biến độc lập mô hình Z-Score Tên 2016 2017 2018 doanh X1 X2 X3 X4 X5 X1 X2 X3 X4 X5 X1 X2 X3 X4 X5 AVS 0.2228 0.06 0.0783 0.82 0.3678 0.2084 0.0568 0.072 0.72 0.3243 0.0603 0.0442 0.0597 0.8 0.2667 KNV -0.1575 0.0111 0.0163 0.33 0.4956 0.0251 0.0013 0.0101 0.42 64.09 0.0268 0.006 0.0068 0.21 0.2719 IMM 0.1642 0.0565 0.0681 0.39 0.0933 0.0559 0.0169 0.0242 0.52 0.0467 0.0903 0.0182 0.0262 0.4 0.0472 EBC -0.0631 -0.0285 -0.0267 0.25 0.1221 -0.067 0.007 0.0081 0.38 0.0912 -0.137 0.0001 0.001 0.27 0.112 RTB 0.4908 0.0112 0.0156 0.65 0.196 0.5264 0.0333 0.042 1.7 0.262 0.3859 0.0487 0.0627 1.22 0.3432 LAA 0.2302 0.0094 0.0137 0.25 0.3533 0.1851 0.0071 0.0107 0.32 0.3486 0.1756 0.0016 0.0042 0.13 0.3345 DFD 0.0666 -0.113 -0.112 1.48 0.357 -0.025 -0.121 -0.121 2.72 0.4228 -0.371 -0.114 -0.114 9.34 0.5066 KKC -0.016 0.0828 0.0974 2.05 0.1277 0.3541 0.0638 0.0724 1.37 0.1197 0.1047 0.0302 0.032 0.81 0.0742 RBP -0.025 0.0007 0.0007 0.26 0.0799 -0.106 0.0118 0.0128 0.97 0.0557 -0.14 0.0104 0.0131 0.68 0.0783 REL 0.0004 0.0000 0.0081 0.21 0.1739 0.0003 0.0000 0.0119 0.2 0.0329 0.0003 0.0000 0.0078 0.08 0.095 (Nguồn: Tác giả tính toán trên Microsoft Excel) 72 Bảng 3.12: Phân tích Z-Score Tên doanh 2016 2017 2018 nghiệp AVS 1.502122122 3.331225842 2.645950723 KNV 0.58651886 1.467363493 2.134348117 IMM 0.843585375 1.565734714 0.988368086 EBC 0.07832336 0.764534255 0.684800243 RTB 1.268006818 2.831620689 1.945836799 LAA 0.847415464 1.266386335 1.657995359 DFD 0.855260019 4.794769906 2.978287648 KKC 1.85711922 7.43627058 3.698771292 RBP 0.219496558 0.8054875 0.572846809 REL 0.3353361 0.8159357 0.877782 (Nguồn: Tác giả tính toán trên Microsoft Excel) Dựa trên thông tin đó, tác giả tính toán chỉ số Z-Score như Bảng 3.12: Kết quả chỉ số Z-Score cho thấy Z-Score AVS năm 2018 nằm trong ngưỡng 1.8 đến 2.99 có nguy cơ rủi ro về phá sản, tuy nhiên rủi ro này thấp vì Z-Score bằng 2.64 gần với ngưỡng 2.99. Như vậy nếu ngân hàng cho AVS vay có thể sẽ gặp rủi ro tín dụng với doanh nghiệp này. Chỉ số Z-Score KNV năm 2018 nằm trong ngưỡng 1.8 đến 2.99 có nguy cơ rủi ro về phả sản trong thời gian tới, rủi ro này cao vì Z-Score bằng 2.13 chỉ cao hơn mức 1.8. Như vậy doanh nghiệp này vay sẽ có nguy cơ rủi ro tín dụng cao. Chỉ số Z-Score IMM trong 3 năm đều nằm dươi 1.8 và nằm trong vùng có nguy cơ phá sản cao vì chỉ số Z-Score năm 2018 bằng 0.98. Nên ngân hàng không nên cho doanh nghiệp này vay vì nguy cơ phá sản cao. Chỉ số Z- Score EBC trong 3 năm đều rất thấp dưới mức 1.8, nằm trong vùng nguy hiểm có nguy cơ phá sản cao năm 2018 Z-Score bằng 0.68. Nên ngân hàng không cho doanh nghiệp này vay vì nguy cơ phá sản rất cao. Chỉ số Z-Score RTB năm 2017 không nằm trong vùng nguy hiểm, phá sản cao. Nhưng tới năm 2018 thì chỉ số Z-Score chỉ còn 1.94 cao hơn mức 1.8 nhưng vẫn nằm trong vùng cảnh báo. Vì vậy ngân hàng không nên cho doanh nghiệp này vay vì nguy cơ rủi ro tín dụng cao. Chỉ số Z-Score 73 LAA cả 3 năm đều nằm dưới mức 1.8. Năm 2018 Z-Score bằng 1.65 thấp hơn mức 1.8 nên ngân hàng không nên cho doanh nghiệp vay vì doanh nghiệp nằm trong vùng nguy hiểm, phá sản cao. Chỉ số Z-Score DFD hai năm 2016, 2017 đều nằm dưới mức 1.8 cảnh báo, nguy cơ phá sản cao. Năm 2018 thì chỉ số Z-Score đã tăng lên đáng kể bằng 2.97 so với mức 2.99. vì vậy ngân hàng sẽ không gặp nhiều rủi ro khi cho doanh nghiệp nay vay. Chỉ số Z-Score KKC cả 3 năm đều nằm trong vùng an toàn không có rủi ro tín dụng. Năm 2018 Z-Score bằng 3.69 cao hơn 2.99 nên ngân hàng có thể cho doanh nghiệp vay và không gặp rủi ro phá sản. Chỉ số Z-Score RBP trong 3 năm đều nằm dưới mức 1.8. Năm 2018 Z-Score bằng 0.57 vùng cảnh báo, nguy cơ phá sản cực lớn. Nên ngân hàng không nên cho doanh nghiệp vay vì sẽ gặp rủi ro phá sản lớn. Chỉ số Z-Score REL trong 3 năm đều dưới mức 1.8 nằm trong vùng cảnh báo. Năm 2018 Z-Score bằng 0.87 dưới mức 1.8 nên ngân hàng không nên cho doanh nghiệp vay vi sẽ gặp rủi ro phá sản cao. Thực vậy, trên thế giới chỉ số Altman’s Z-Score đã được áp dụng trong nhiều năm và nhiều quốc gia khác nhau như năm 1968 cho các doanh nghiệp nhỏ tại Mỹ, sau đó giáo sư Altman còn áp dụng Z-Score trong nghiên cứu của mình năm 1983, 1998 và 2000. Kết quả cho thấy chỉ số Z-Score đã dự báo chính xác tới khoảng 95% doanh nghiệp bị phá sản trong năm kết tiếp và 72% doanh nghiệp bị phá nghiệp sẽ giúp cho NHTM có được dự báo sớm về rủi ro phá sản của doanh nghiệp, cũng chính là rủi ro tín dụng của NHTM. 74 KẾT LUẬN Qua nghiên cứu em đã hiểu được dự báo nợ xấu tín dụng, rủi ro tín dụng dựa trên việc sử dụng mô phỏng việc sử dụng mô hình Logistic trong đánh giá và dự báo rủi ro vỡ nợ của các khách hàng doanh nghiệp và dự báo phá sản của khách hàng doanh nghiệp qua mô hình Z-Score. Về kinh nghiệm bản thân: Qua thời gian 4 tháng thực tập, nghiên cứu đề tài giúp em rõ hơn về quá trình tín dụng tại ngân hàng. Học hỏi thêm nhiều kinh nghiệm trong kỹ năng, nghiệp vụ quy trình quản lí tín dụng. Giúp em hoàn thiện hơn trong nền tảng kiến thức thực tế và phục vụ cho công việc sau này của bản thân. Về mặt cơ sở lý thiết: Việc áp dụng mô hình này trong công tác phân tích dự báo nợ xấu tín dụng tại Ngân hàng NAYOBY Lào mang tính khả thi và chính xác cao. Có một mô hình có khả năng dự đoán tốt sẽ mang lại nhiều lợi ích cho ngân hàng trong việc dự báo nợ xấu tín dụng. Tuy nhiên, trong quá trình áp dụng và triển khai mô hình vào thực tế, phải thường xuyên có sự kiểm định để kịp thời có động thái hiệu chỉnh cho phù hợp. Vì vây, một vài khuyến nghị tác giả để xuất trong trường hợp các ngân hàng triển khai hệ thống đánh giá nợ xấu tín dụng, rủi ro tín dụng trên như sau: − Xây dựng danh mục các yếu tố định tính thu thập thông tin khách hàng. − Lưu trữ toàn hệ thống về thực trạng vay/cho vay/từ chối cho vay của toàn bộ khách hàng. − Định kỳ kiểm tra lại tính chính xác của mô hình thời gian 6 tháng/ lần hoặc có thể thay đổi theo thực trạng về tỷ lệ nợ xấu cũng như tình hình kinh tế từng thời điểm. 75 Hướng phát triển của đề tài Trong thời sian tới em sẽ tiếp tục nghiên cứu để hoàn thiện chương trình ngày một tốt hơn và đi sâu vào đến đề phân quyền rủi ro tín dụng đồng thời sẽ xây dựng các chức năng cao hơn để hoàn thiện mô hình và có thể đáp ứng được với nhu cầu thực tế xã hội. Trân trọng cảm ơn Giảng viên hướng dẫn PGS.TS Nguyễn Văn Huân đã tận tình hướng dẫn, giúp đỡ, tạo điều kiện để em được học tập vận dụng kiến thức lý luận vào thực tiễn. Qua đó đúc rút những kinh nghiệm quý báu cho bản than, củng cố những kiến thức đã học để có thể thận và hoàn thành các nhiệm vụ. 76 TÀI LIỆU THAM KHẢO 1. Nguyễn Tiến Đức – Học viện tài chính quốc gia năm (2017), Luận văn thạc sĩ kinh tế, “Quản lí nợ xấu tại ngân hàng TMCP đầu tư và phát triển Việt Nam – chi nhánh Quảng Bình”. 2. Phạm Chí Khoa, Trường Đại học Kinh tế - Luật- Đại học Quốc gia TP HCM. Đăng tại Phát triển Kinh tế 289 (11/2014), “Áp dụng mô hình KVM-Merton dự báo rủi ro tín dụng khách hàng doanh nghiệp và khả năng thiệt hại của ngân hàng”. 3. Nguyễn Thị Cành, Trường Đại học Kinh tế - Luật- Đại học Quốc gia TP HCM. 4. Vũ Xuân Hùng, Công ty đầu tư tài chính nhà nước TP Hồ Chí Minh. Đăng tại Phát triển và hội nhập Số 15 (25) - Tháng 03-04/2014, “Ứng dụng mô hình Z- score vào quản lý rủi ro tín dụng cho các ngân hàng thương mại Việt Nam” Tác giả THS Nguyễn Phúc Cảnh. Trường Đại học Kinh tế TP Hồ Chí Minh. 5. Đoàn Thị Xuân Duyên – Trường Đại học Kinh tế TP HCM năm 2013, Luận văn thạc sĩ kinh tế “Ứng dụng mô hình logit để đo lường khả năng trả nợ của khách hàng doanh nghiệp tại ngân hàng TMCP Á Châu”. 6. Nguyễn Thị Hoài Phương – Đại học kinh tế quốc dân năm (2012), Luận án tiến sĩ kinh tế, “Quản lí nợ xấu tại Ngân hàng thương mại Việt Nam”. 7. Ngân hàng Nhà Nước Việt Nam, 2005. Quyết định 493/2005/QĐ-NHNN ngày 22/04/2005 ban hành Quy định về phân loại nợ, trích lập và sử dụng dự phòng đểxử lý rủi ro tín dụng trong hoạt động ngân hàng của tổ chức tín dụng. 8. Ngân hàng Nhà Nước Việt Nam, 2013. Thông tư 02/2013/TT-NHNN ban hành ngày 21/01/2013 quy định về phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro về việc sử dụng dự phòng để xử lý rủi ro trong hoạt động của TCTD, chi nhánh ngân hàng nước ngoài. 9. Chiara Pederzoli, Costanza Torricelli(2010), A parsimonious default prediction model for Italian SMEs. 77 10. Irakli Ninua (2008), (5) Does a collateralized loan have a higher probability to default. 11. Measuring the Likelihood of Small Business Loan Default: Community Development Financial Institutions (CDFIs) and the use of Credit-Scoring to Minimize Default Risk - Duke University, Durham, North Carolina (2010). 12. Collateral, type of lender anh relationship banking as determinants of credit risk - Jiménez và Saurina (2003) 13. Nguyễn Văn Tuấn, Phân tích hồi quy Logistic (Logistic regression analysis) 14. Nguyễn Phi Hiếu, Kinh tế lượng cơ bản, ngày 19/05/2019, https://econometricsr.hieunguyenphi.com/ 15. Quy chế phân loại nợ và hợp nhất nợ của tổ chức tài chính vi mô, số 02/BOL ngày 04/02/2015 16. Luật Ngân hàng Thương mại (Sửa đổi), số 56/QH tại Nghị định ngày 7/12/2018 17. Tóm lược hoạt động tín dụng ngân hàng NAYOBY 10 năm (2007 – 2017), ngân hàng Nayoby chi nhánh tỉnh Oudomxay, số 46/NBB.ODX, ngày 31/07/2017 18. Báo cáo tháng 09 năm 2018 và phương hướng kế hoạch 03 tháng cuối năm 2018, số 005/NBB.ODX, ngày 04/10/2018 19. Báo cáo tháng 09 năm 2018 và phương hướng kế hoạch tháng 10 năm 2018, số 006/NBB.ODX, ngày 04/10/2018 20. Báo cáo 12 tháng hoạt động văn phòng tài chính năm 2016, số 001/NBB.ODX, ngày 01/01/2017 21. Biên bản cuộc hợp đúc kết kinh nghiệm hoạt động việc trong giai đoạn 10 năm (2007-2017), số 106/NBB.ODX, ngày 30/08/2017 22. Báo cáo tài chính tháng 09 năm 2020 và phương huóng kế hoạch cuối năm 2020, số 009/NBB.ODX, ngày 06/10/2020 78 PHỤ LỤC PHỤ LỤC 1: Tên doanh nghiệp là khách hàng của Ngân hàng Thứ tự Tên công ty Mã CK 1 Công ty AVS – House Bất động sản AVS 2 Công ty KN Vientiane Group KNV 3 IMMOLAOS (Real Estate Services) IMM 4 Saiawardz Real Estate&Business Consulting Co., Ltd EBC 5 Công ty Bất động sản – RentsBuy RTB Lao Assets Appraisal Co., Ltd (Công ty Thẩm định tài sản 6 LAA Lào) 7 DFDL (Lao) Sole Co.,Ltd DFD 8 KKC Consulting & Real Estate KKC 9 Rent & Buy Property RBP 10 LAO HOME REAL ESTATE LAOS REL 79 PHỤ LỤC 2: Biến phụ thuộc của mô hình Logit TÊN 2016 2017 2018 DN TLA EBITA EQUITYA SALESA TLA EBITA EQUITYA SALESA TLA EBITA EQUITYA SALESA AVS 0.2732 0.0783 0.5915 0.3678 0.1958 0.0720 0.6040 0.3243 0.1171 0.0597 0.7066 0.2667 KNV 0.1979 0.0162 0.7785 0.4956 0.0360 0.0100 0.7357 0.7207 0.0326 0.0067 0.7275 0.2719 IMM 0.1850 0.0731 0.1375 0.3428 0.1221 0.0242 0.0386 0.4921 0.1376 0.0262 0.0401 0.4518 EBC 0.4435 -0.0267 0.6847 0.1221 0.4315 0.0081 0.0122 0.0912 0.3775 0.0010 0.0015 0.1120 RTB 0.3028 0.0156 0.5238 0.1960 0.2606 0.0420 0.0800 0.2620 0.0901 0.0627 0.1185 0.3432 LAA 0.4110 0.0137 0.6208 0.3533 0.3851 0.0107 0.5968 0.3486 0.3087 0.0042 0.6003 0.3345 DFD 0.2272 0.1122 0.8154 0.3570 0.2782 0.1212 0.8802 0.4228 0.1296 0.1141 0.9460 0.5066 KKC 0.1979 0.0974 0.2531 0.1277 0.0407 0.0724 0.3644 0.1197 0.0159 0.0320 0.6475 0.0742 RBP 0.2594 0.0007 0.4751 0.0799 0.1687 0.0128 0.5102 0.0557 0.1987 0.0131 0.5398 0.0783 REL 0.0743 0.0081 0.2476 0.1739 0.0537 0.0119 0.2640 0.0329 0.0360 0.0078 0.2390 0.0950 80 NGUỒN DỮ LIỆU 1. Các doanh nghiệp trong dự báo dựa trên mô hình Logit-Probit (Nguồn: Báo cáo tài chính hợp nhất kiểm toán từ năm 2016 – 2018) Công ty AVS - House Bất động sản Công ty KN Vientinane Group Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Nợ dài hạn 1,047,772,033,498 1,106,594,686,113 986,217,209,349 Nợ dài hạn 247,258,374,956 34,316,399,628 30,765,383,689 Tổng tài sản 3,834,549,199,250 5,652,285,578,535 8,422,490,414,078 Tổng tài sản 1,249,155,839,504 952,446,083,159 944,537,046,040 Lợi nhuận trước thuế 300,388,400,856 406,751,382,793 502,841,711,971 Lợi nhuận trước thuế 20,309,211,687 9,619,614,321 6,412,544,379 Nợ phải trả 2,267,972,420,308 3,414,002,551,720 5,951,210,958,377 Nợ phải trả 972,500,125,387 700,754,751,425 687,183,842,832 Doanh thu 1,410,434,269,648 1,832,798,695,679 2,246,237,955,258 Doanh thu 619,094,322,348 686,396,656,556 256,856,183,654 Nợ dài hạn/ Tổng tài sản 0.273245166 0.195778269 0.117093301 Nợ dài hạn/ Tổng tài sản 0.197940375 0.036029756 0.032571919 Lợi nhuận trước thuế/ Lợi nhuận trước thuế/ 0.078337344 0.071962284 0.05970226 Tổng tài sản Tổng tài sản 0.016258349 0.010099904 0.006789087 Nợ phải trả/ Tổng tài sản 0.591457379 0.604003903 0.706585661 Nợ phải trả/ Tổng tài sản 0.778525861 0.735742174 0.727535088 Doanh thu/ Tổng tài sản 0.367822708 0.324257979 0.266695223 Doanh thu/ Tổng tài sản 0.495610157 0.720667205 0.271938708 IMMOLAOS (Real Estate Services) Saiawardz Real Estate&Business Consulting Co., Ltd Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Nợ dài hạn 3,311,386,151,854 2,782,536,293,241 3,563,471,434,838 Nợ dài hạn 23,387,621,147 22,895,808,707 18,163,819,474 Tổng tài sản 17,898,172,496,004 22,795,168,388,054 25,889,289,495,859 Tổng tài sản 52,736,469,601 53,062,127,656 48,111,441,616 Lợi nhuận trước thuế 1,307,740,348,167 551,050,202,836 677,265,141,592 Lợi nhuận trước thuế -1,406,287,691 430,145,293 47,696,838 Nợ phải trả 9,509,689,312,317 14,272,195,661,245 16,870,601,303,917 Nợ phải trả 36,113,695,179 35,274,154,978 31,300,554,930 Doanh thu 6,135,969,310,077 11,216,595,382,112 11,695,895,788,989 Doanh thu 6,439,779,268 4,841,225,074 5,388,200,400 Nợ dài hạn/ Tổng tài sản 0.185012529 0.122066933 0.137642689 Nợ dài hạn/ Tổng tài sản 0.443480979 0.431490589 0.377536379 Lợi nhuận trước thuế/ Lợi nhuận trước thuế/ 0.07306558 0.024173991 0.026160051 -0.026666322 0.008106446 0.000991382 Tổng tài sản Tổng tài sản Nợ phải trả/ Tổng tài sản 0.531321805 0.626106174 0.651644044 Nợ phải trả/ Tổng tài sản 0.684795464 0.664770836 0.650584432 Doanh thu/ Tổng tài sản 0.342826583 0.492060212 0.451765808 Doanh thu/ Tổng tài sản 0.122112445 0.09123692 0.111994158 81 Công ty Bất động sản – RentsBuy DFDL (Lao) Sole Co.,Ltd Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Nợ dài hạn 1,779,227,543,251 1,584,989,468,240 615,391,618,802 Nợ dài hạn 35,294,600,222 33,097,896,771 10,992,264,979 Tổng tài sản 5,875,805,695,072 6,083,229,943,787 6,832,108,167,420 Tổng tài sản 155,316,811,856 118,977,989,961 84,786,265,800 Lợi nhuận trước thuế 91,817,011,881 255,343,657,001 428,283,340,094 Lợi nhuận trước thuế 17,422,249,935 14,423,530,923 9,673,382,709 Nợ phải trả 3,077,744,741,352 3,192,668,780,809 3,612,748,321,996 Nợ phải trả 126,641,310,940 104,726,019,967 80,209,071,386 Doanh thu 1,151,928,588,324 1,593,710,516,859 2,345,008,145,519 Doanh thu 55,441,621,027 50,303,146,629 42,956,414,281 Nợ dài hạn/ Tổng tài sản 0.302805715 0.260550642 0.09007346 Nợ dài hạn/ Tổng tài sản 0.227242626 0.278185039 0.129646764 Lợi nhuận trước thuế/ Lợi nhuận trước thuế/ 0.015626285 0.041975013 0.06268685 0.112172338 0.121228564 0.114091388 Tổng tài sản Tổng tài sản Nợ phải trả/ Tổng tài sản 0.523799612 0.524831185 0.528789684 Nợ phải trả/ Tổng tài sản 0.815374134 0.880213391 0.946014907 Doanh thu/ Tổng tài sản 0.196046066 0.261984264 0.343233463 Doanh thu/ Tổng tài sản 0.356958274 0.422793717 0.506643545 Lao Assets Appraisal Co., Ltd (Công ty Thẩm định tài sản Lào) KKC Consulting & Real Estate Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Nợ dài hạn 2,881,778,672,464 3,201,119,834,915 2,689,222,133,869 Nợ dài hạn 71,000,000 44,082,882,666 34,777,696,598 Tổng tài sản 7,010,967,973,608 8,312,491,432,050 8,712,257,964,384 Tổng tài sản 832,805,342,057 1,082,564,721,760 2,191,793,068,556 Lợi nhuận trước thuế 95,720,680,341 88,752,437,094 36,548,979,819 Lợi nhuận trước thuế 81,085,966,094 78,345,739,613 70,092,520,550 Nợ phải trả 4,352,285,176,840 4,960,731,768,102 5,230,103,182,215 Nợ phải trả 210,801,415,858 394,439,991,015 1,419,119,515,569 Doanh thu 2,477,281,631,049 2,897,509,397,628 2,914,292,449,934 Doanh thu 106,388,123,021 129,634,047,344 162,654,317,803 Nợ dài hạn/ Tổng tài sản 0.41103863 0.38509752 0.308671087 Nợ dài hạn/ Tổng tài sản 0.000085254 0.040720783 0.015867235 Lợi nhuận trước thuế/ Lợi nhuận trước thuế/ 0.013652991 0.010676996 0.004195121 0.097364849 0.07237049 0.031979534 Tổng tài sản Tổng tài sản Nợ phải trả/ Tổng tài sản 0.62078235 0.596780377 0.600315464 Nợ phải trả/ Tổng tài sản 0.253122075 0.36435696 0.647469661 Doanh thu/ Tổng tài sản 0.353343738 0.348572918 0.334504839 Doanh thu/ Tổng tài sản 0.127746687 0.119747157 0.074210618 82 LAO HOME REAL ESTATE LAOS Chỉ tiêu 2016 2017 2018 Rent & Buy Property Nợ dài hạn 60,025,004,284 44,875,856,585 29,138,541,214 Chỉ tiêu 2016 2017 2018 Tổng tài sản 807,751,462,950 836,052,018,540 810,250,027,035 Nợ dài hạn 75,056,596,140 53,590,105,087 78,487,764,166 Lợi nhuận trước thuế 6,508,733,709 9,918,940,711 6,286,124,105 Tổng tài sản 289,390,789,455 317,753,892,884 394,913,942,197 Nợ phải trả 199,986,699,591 220,729,631,820 193,636,932,999 Lợi nhuận trước thuế 196,405,386 4,072,769,628 5,157,682,123 Doanh thu 140,437,427,260 27,478,163,821 77,005,509,935 Nợ phải trả 137,497,079,861 162,113,777,117 213,155,603,649 Nợ dài hạn/ Tổng tài sản 0.074311229 0.053675914 0.035962407 Doanh thu 23,133,652,701 17,702,755,221 30,914,781,715 Lợi nhuận trước thuế/ 0.008057842 0.011864023 0.007758252 Nợ dài hạn/ Tổng tài sản 0.259360695 0.168652867 0.198746501 Tổng tài sản Lợi nhuận trước thuế/ Nợ phải trả/ Tổng tài sản 0.247584447 0.264014232 0.238984173 0.000678686 0.012817371 0.013060269 Tổng tài sản Doanh thu/ Tổng tài sản 0.173862176 0.032866572 0.095039195 Nợ phải trả/ Tổng tài sản 0.475125971 0.510186596 0.539752034 Doanh thu/ Tổng tài sản 0.079939146 0.055712158 0.078282325 83 2. Các doanh nghiệp trong dự báo dựa trên mô hình Z-Score (Nguồn: Báo cáo tài chính hợp nhất kiểm toán từ năm 2016 - 2018) Công ty AVS - House Bất động sản Công ty KN Vientinane Group Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Vốn lưu động ròng 854,442 1,177,871 508,176 Vốn lưu động ròng -196,797 23,869 25,297 Lợi nhuận giữ lại 229,968 321,160 372,078 Lợi nhuận giữ lại 13,924 1,227 5,676 Lợi nhuận trước thuế 300,388 406,751 502,842 Lợi nhuận trước thuế 20,309 9,620 6,431 Giá trị thị trường/ Giá Giá trị thị trường/ Giá 0.82 0.72 0.8 0.33 0.42 0.21 trị cổ phiếu trị cổ phiếu Doanh thu 1,410,434 1,832,799 2,246,238 Doanh thu 619,094 686,397 256,856 Tổng tài sản 3,834,549 5,652,286 8,422,490 Tổng tài sản 1,249,156 952,446 944,537 X1 0.2228 0.2084 0.0603 X1 -0.1575 0.0251 0.0268 X2 0.0600 0.0568 0.0442 X2 0.0111 0.0013 0.0060 X3 0.0783 0.0720 0.0597 X3 0.0163 0.0101 0.0068 X4 0.82 0.72 0.80 X4 0.33 0.42 0.21 X5 0.3678 0.3243 0.2667 X5 0.4956 0.7207 0.2719 IMMOLAOS (Real Estate Services) Saiawardz Real Estate&Business Consulting Co., Ltd Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Vốn lưu động ròng 2,940,064 1,274,941 2,336,875 Vốn lưu động ròng -3,331,854 -3,563,293 -6,568,828 Lợi nhuận giữ lại 1,012,552 385,275 470,032 Lợi nhuận giữ lại -1,502,787 371,607 6,244 Lợi nhuận trước thuế 1,218,686 551,050 677,265 Lợi nhuận trước thuế -1,406,288 430,145 47,697 Giá trị thị trường/ Giá Giá trị thị trường/ Giá 0.39 0.52 0.4 0.25 0.38 0.27 trị cổ phiếu trị cổ phiếu Doanh thu 1,671,573 1,064,679 1,222,816 Doanh thu 6,439,779 4,841,225 5,388,200 Tổng tài sản 52,763,407 53,062,128 48,111,442 Tổng tài sản 17,908,210 22,795,168 25,889,389 X1 -0.0631 -0.0672 -0.1365 X1 0.1642 0.0559 0.0903 X2 -0.0285 0.0070 0.0001 X2 0.0565 0.0169 0.0182 X3 -0.0267 0.0081 0.0010 X3 0.0681 0.0242 0.0262 X4 0.25 0.38 0.27 X4 0.39 0.52 0.40 X5 0.1221 0.0912 0.1120 X5 0.0933 0.0467 0.0472 84 Công ty Bất động sản – RentsBuy DFDL (Lao) Sole Co.,Ltd Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Vốn lưu động ròng 2,883,653 3,202,109 2,636,276 Vốn lưu động ròng 10,350 -2,968 -31,495 Lợi nhuận giữ lại 65,637 202,390 332,925 Lợi nhuận giữ lại -17,567 -14,424 -9,675 Lợi nhuận trước thuế 91,817 255,344 428,283 Lợi nhuận trước thuế -17,422 -14,424 -9,673 Giá trị thị trường/ Giá Giá trị thị trường/ Giá 0.65 1.7 1.22 1.48 2.72 9.34 trị cổ phiếu trị cổ phiếu Doanh thu 1,151,929 1,593,711 2,345,008 Doanh thu 55,442 50,303 42,956 Tổng tài sản 5,875,806 6,083,230 6,832,108 Tổng tài sản 155,317 118,978 84,786 X1 0.4908 0.5264 0.3859 X1 0.0666 -0.0249 -0.3715 X2 0.0112 0.0333 0.0487 X2 -0.1131 -0.1212 -0.1141 X3 0.0156 0.0420 0.0627 X3 -0.1122 -0.1212 -0.1141 X4 0.65 1.70 1.22 X4 1.48 2.72 9.34 X5 0.1960 0.2620 0.3432 X5 0.3570 0.4228 0.5066 Lao Assets Appraisal Co., Ltd (Công ty Thẩm định tài sản Lào) KKC Consulting & Real Estate Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Vốn lưu động ròng 1,613,955 1,538,370 1,529,795 Vốn lưu động ròng -13,729 383,386 229,404 Lợi nhuận giữ lại 65,727 59,362 14,353 Lợi nhuận giữ lại 68,991 69,046 66,275 Lợi nhuận trước thuế 95,721 88,752 36,549 Lợi nhuận trước thuế 81,086 78,346 70,093 Giá trị thị trường/ Giá Giá trị thị trường/ Giá 0.25 0.32 0.13 2.05 1.37 0.81 trị cổ phiếu trị cổ phiếu Doanh thu 2,477,282 2,897,509 2,914,292 Doanh thu 106,388 129,634 162,654 Tổng tài sản 7,010,968 8,312,491 8,712,258 Tổng tài sản 832,805 1,082,565 2,191,793 X1 0.2302 0.1851 0.1756 X1 -0.0165 0.3541 0.1047 X2 0.0094 0.0071 0.0016 X2 0.0828 0.0638 0.0302 X3 0.0137 0.0107 0.0042 X3 0.0974 0.0724 0.0320 X4 0.25 0.32 0.13 X4 2.05 1.37 0.81 X5 0.1277 0.1197 0.0742 X5 0.3533 0.3486 0.3345 85 Rent & Buy Property LAO HOME REAL ESTATE LAOS Chỉ tiêu 2016 2017 2018 Chỉ tiêu 2016 2017 2018 Vốn lưu động ròng -7,222 -33,536 -55,356 Vốn lưu động ròng 3,099,422 5,113,577 6,698,143 Lợi nhuận giữ lại 196 3,746 4,118 Lợi nhuận giữ lại 664,423 1,085,420 1,178,427 Lợi nhuận trước thuế 196 4,073 5,158 Lợi nhuận trước thuế 821,238 1,335,320 2,101,784 Giá trị thị trường/ Giá Giá trị thị trường/ Giá 0.26 0.97 0.68 0.89 1.4 1.34 trị cổ phiếu trị cổ phiếu Doanh thu 23,134 17,703 30,915 Doanh thu 2,506,517 2,879,241 4,645,319 Tổng tài sản 289,391 317,754 394,914 Tổng tài sản 5,562,791 10,264,403 13,728,175 X1 -0.0250 -0.1055 -0.1402 X1 0.5572 0.4982 0.4879 X2 0.0007 0.0118 0.0104 X2 0.1194 0.1057 0.0858 X3 0.0007 0.0128 0.0131 X3 0.1476 0.1301 0.1531 X4 0.26 0.97 0.68 X4 0.89 1.40 1.34 X5 0.0799 0.0557 0.0783 X5 0.4506 0.2805 0.3384

Các file đính kèm theo tài liệu này:

  • pdfluan_van_mo_hinh_toan_hoc_logit_probit_hoi_quy_va_zscore_tro.pdf
Tài liệu liên quan