Các nhân tố tác động đến rủi ro tín dụng doanh nghiệp tại ngân hàng TMCP Đầu tư và Phát triển Việt Nam, khu vực thành phố Hồ Chí Minh

hàng vay với một kết hợp của ngắn hạn và tín dụng dài hạn là an toàn hơn so với tín dụng ngắn hạn, nhưng rủi ro hơn so với tín dụng dài hạn.

Các nhân tố sau khi được kiểm định sẽ giúp ngân hàng vận dụng tốt hơn trong việc thẩm định khách hàng doanh nghiệp, từ đó chọn lọc được các khách hàng tốt, giảm thiểu rủi ro và chi phí trong hoạt động.

Việc chỉ tập trung vào các nhân tố khách quan mà không xét đến nhân tố chủ quan từ phía ngân hàng là một thiếu sót trong việc đánh giá rủi ro tín dụng. Tuy nhiên, theo tác giả, sự chuyên môn hóa một khía cạnh sẽ giúp đánh giá khách hàng doanh nghiệp được chính xác hơn. Đồng thời, rủi ro nội tại từ ngân hàng hoàn toàn có thể được kiểm soát thông qua việc quản trị rủi ro tín dụng như Hiệp ước Basel I,II,III. Vì thế, tác giả nhận thấy khi ngân hàng có thể nhận định khách hàng một cách cụ thể và cùng lúc chấp hành tốt các quy định về quản trị rủi ro thì ngân hàng đó hoàn toàn có thể kiểm soát tốt rủi ro.

Do môi trường kinh doanh tại Việt Nam mà cụ thể là khu vực Thành phố Hồ Chí Minh và các nước khác là không hoàn toàn giống nhau nên tác giả kỳ vọng tìm được những đặc điểm giống và khác nhau giữa thực trạng tại Việt Nam và các kết quả từ những nghiên cứu trước đây trên thế giới, qua đó có thể vận dụng những kinh nghiệm đã được đúc kết một cách phù hợp nhất trong hoạt động kinh doanh ngân hàng tại Việt Nam.

4.2 Mô tả dữ liệu

Bảng 4.1 Bảng mô tả dữ liệu mô hình nghiên cứu

Tên biến

Loại biến	Diễn giải
HTKTTS	Độc lập	Hàng tồn kho/Tổng nợ
LNTTTN	Độc lập	Lợi nhuận trước thuế/Tổng nợ
VCSHTN	Độc lập	Vốn chủ sở hữu/Tổng nợ
DTTTS	Độc lập	Doanh thu/Tổng tài sản
QM	Độc lập	Quy mô doanh nghiệp
LS	Độc lập	Lãi suất cho vay
THOIHAN	Độc lập	Thời hạn khoản vay
LP	Độc lập	Lạm phát
GDP	Độc lập	GDP bình quân đầu người
GDDN	Độc lập	Giám đốc doanh nghiệp

Có thể bạn quan tâm!

Xem toàn bộ 88 trang tài liệu này.

NQH

Phụ thuộc

Nợ quá hạn

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Thống kê mô tả:

Bảng 4.2 Bảng thống kê mô tả dữ liệu mô hình nghiên cứu

Variable

Obs	Mean	Std. Dev.	Min	Max
HTKTTS	1603	0.24	0.17	0.00	0.84
LNTTTN	1603	0.20	0.44	-3.05	3.48
VCSHTN	1603	1.41	2.70	-0.94	45.08
DTTTS	1603	1.37	1.46	0.00	43.44
QM	1603	0.57	0.49	0.00	1.00
LS	1603	10.98	3.43	7.11	16.95
THOIHAN	1603	0.44	0.49	0.00	1.00
LP	1603	7.56	5.26	0.88	18.68
GDP	1603	1837.00	322.28	1273.00	2253.00
GDDN	1603	0.75	0.43	0.00	1.00
NQH	1603	0.29	0.45	0.00	1.00

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Dữ liệu của mô hình được thu thập từ 229 Công ty (bao gồm các loại hình khác nhau như Công ty Cổ phần, Công ty Trách nhiệm hữu hạn một và hai thành viên trở liên) có quan hệ tín dụng tại các Chi nhánh khu vực Thành phố Hồ Chí Minh của BIDV trong thời gian từ năm 2010 đến năm 2016, với tổng cộng là 1.602 quan sát. Trong đó, 1.318 quan sát là không có nợ quá hạn và 284 quan sát là có nợ quá hạn.

Số liệu Hàng tồn kho, Tổng tài sản, Lợi nhuận trước thuế, Tổng nợ, Doanh thu được thu thập từ các báo cáo tài chính của các Công ty, sau đó sẽ được xử lý với từng hệ số tỷ lệ như bảng mô tả thể hiện. Riêng biến Quy mô doanh nghiệp sẽ được xác định dựa trên Quy định QĐ48/2006, Thông tư 133/2016 và quy định nội bộ của BIDV từng thời kỳ (phụ thuộc vào tổng nguồn vốn, số lượng lao động, doanh thu và một số yếu tố khác của Doanh nghiệp). Biến Giám đốc doanh nghiệp được xác định dựa trên Doanh nghiệp có thuê Giám đốc ngoài hay không, Giám đốc ngoài được hiểu là người không có bất kỳ đóng góp vốn nào vào vốn chủ sở hữu của Công ty.

Biến thời hạn khoản vay được xác định dựa trên món vay có khoảng thời hạn cao nhất của doanh nghiệp trong năm kiểm định.

Các biến vĩ mô như: Lãi suất cho vay được xác định dựa trên lãi suất cơ bản bình quân trong năm của Ngân hàng Nhà nước Việt Nam, GDP bình quân đầu người, Lạm phát.

4.3 Chạy mô hình và kiểm định.

4.3.1 Chạy mô hình

Đầu tiên, tác giả chạy mô hình OLS thông thường với kết quả ban đầu như

Bảng 4.3 Bảng kết quả chạy dữ liệu mô hình OLS

Source

SS	df MS	MS		Number of obs	1602
					F( 10, 1591)	45,54
Model	51,994	10	5,199		Prob > F	0
Residual	181,659	1591	0,114		R-squared	0,2225
					Adj R-squared	0,2176
Total	233,653	1601	0,146		Root MSE	0,3379
NQH	Coef.	Std. Err.	T	P>t	[95% Conf.	Interval]
GDDN	-0,006	0,020	-0,30	0,767	-0,045	0,033
GDP	0,000	0,000	5,82	0,000	0,000	0,000
LP	-0,020	0,006	-3,51	0,000	-0,031	-0,009
THOIHAN	-0,003	0,019	-0,14	0,889	-0,040	0,034
LS	0,047	0,012	3,98	0,000	0,024	0,070
QM	0,047	0,020	2,38	0,017	0,008	0,086
DTTTS	-0,027	0,006	-4,56	0,000	-0,039	-0,016
VCSHTN	0,046	0,004	12,23	0,000	0,039	0,053
LNTTTN	-0,394	0,023	-17,37	0,000	-0,438	-0,349
HTKTTS	0,287	0,054	5,35	0,000	0,182	0,392
_cons	-0,868	0,196	-4,44	0,000	-1,252	-0,484

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Từ bảng trên, với mức ý nghĩa 5% thì các biến GDP bình quân đầu người, Lạm phát, Lãi suất cho vay, Quy mô doanh nghiệp, Doanh thu/Tổng tài sản, Vốn chủ sỡ hữu/Tổng nợ, Lợi nhuận trước thuế/Tổng nợ, Hàng tồn kho/Tổng tài sản là có ý nghĩa thống kê (p-value < 5%). Trong đó, các biến có hệ số gốc lớn hơn 0 là tương quan cùng chiều với rủi ro nợ quá hạn và ngược lại.

Tiếp theo, tác giả sẽ chạy mô hình logit và probit đối với tập dữ liệu:

Mô hình Logit:

Bảng 4.4 Bảng kết quả chạy dữ liệu mô hình Logit

Logistic regression

Number of obs =		1602
LR chi2(10) =		1059,93
Prob > chi2 =		0
Log likelihood = -228,55675				Pseudo R2 =		0,6813
NQH	Coef.	Std. Err.	z	P>z [95% Conf.		Interval]
GDDN	0,128	0,289	0,44	0,657	-0,438	0,695
GDP	0,007	0,002	3,84	0,000	0,004	0,011
LP	-0,237	0,076	-3,10	0,002	-0,387	-0,087
THOIHAN	0,408	0,261	1,56	0,119	-0,105	0,920
LS	0,800	0,212	3,78	0,000	0,385	1,215
QM	-0,341	0,279	-1,22	0,221	-0,888	0,205
DTTTS	-0,377	0,160	-2,36	0,018	-0,691	-0,064
VCSHTN	3,349	0,268	12,48	0,000	2,823	3,874
LNTTTN	-47,125	3,717	-12,68	0,000	-54,411	-39,839
HTKTTS	5,153	0,750	6,87	0,000	3,683	6,622
_cons	-24,136	5,527	-4,37	0,000	-34,969	-13,303

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Cũng với mức ý nghĩa 5%, các biến sau có ý nghĩa thống kê: GDP bình quân đầu người, Lạm phát, Lãi suất cho vay, Doanh thu/Tổng tài sản, Vốn chủ sỡ hữu/Tổng nợ, Lợi nhuận trước thuế/Tổng nợ, Hàng tồn kho/Tổng tài sản. Tương tự, các biến có hệ số gốc lớn hơn 0 là tương quan cùng chiều với rủi ro nợ quá hạn và ngược lại.

Mô hình Probit:

Bảng 4.5 Bảng kết quả chạy dữ liệu mô hình Probit

Probit regression

Number of obs =		1602
LR chi2(10) =		1030,12
Prob > chi2 =		0.0000
Log likelihood =	-233,4582			Pseudo R2 =		0.6781
NQH	Coef.	Std. Err.	z	P>z [95% Conf.		Interval]

GDDN	0,0752	0,1641	0,46	0,647	-0,2465	0,3968
GDP	0,0038	0,0009	4,12	0,000	0,0020	0,0056
LP	-0,1302	0,0425	-3,06	0,002	-0,2136	-0,0468

THOIHAN

0,2134	0,1476	1,45	0,148	-0,0758	0,5027
LS	0,4158	0,1077	3,86	0,000	0,2048	0,6268
QM	-0,2296	0,1582	-1,45	0,147	-0,5395	0,0804
DTTTS	-0,2292	0,0922	-2,48	0,013	-0,4100	-0,0484
VCSHTN	1,9543	0,1500	13,03	0,000	1,6603	2,2482
LNTTTN	-27,3104	2,0691	-13,20	0,000	-31,3657	-23,2551
HTKTTS	2,9781	0,4181	7,12	0,000	2,1586	3,7976
_cons	-12,4385	2,6271	-4,73	0,000	-17,5874	-7,2895

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Tương tự với mức ý nghĩa 5%, giống với mô hình Logit, các biến có ý nghĩa thống kê: GDP bình quân đầu người, Lạm phát, Lãi suất cho vay, Doanh thu/Tổng tài sản, Vốn chủ sỡ hữu/Tổng nợ, Lợi nhuận trước thuế/Tổng nợ, Hàng tồn kho/Tổng tài sản.

4.3.2 Kiểm định mô hình

Tác giả tiến hành kiểm định mức độ phù hợp của hai mô hình Logit và

Probit:

Bảng 4.6 Bảng kết quả kiểm định mức độ phù hợp của mô hình Logit

Logistic model for NQH, goodness-of-fit test

(Table collapsed on quantiles of estimated probabilities)
number of observations =	1602
number of groups =	10
Hosmer-Lemeshow chi2(8) =	11,96
Prob > chi2 =	0,1431

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Với kiểm định Hosmer-Lemeshow cho thấy, p = 14,31% > 5%, vì vậy mô hình Logit là phù hợp.

Bảng 4.7 Bảng kết quả kiểm định mức độ phù hợp của mô hình Probit

Probit model for NQH, goodness-of-fit test

(Table collapsed on quantiles of estimated probabilities)
number of observations =	1.602
number of groups =	10
Hosmer-Lemeshow chi2(8) =	12,37
Prob > chi2 =	0,1354

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Với kiểm định Hosmer-Lemeshow cho thấy, p = 13,54% > 5%, vì vậy mô hình Logit là phù hợp.

Cả hai kiểm định đều cho thấy mô hình Logit và Probit đều phù hợp để dự báo kết quả.

4.4 Kết quả và nhận xét.

Bảng 4.8 Bảng thống kê kết quả dự báo của ba mô hình Logit, Probit, OLS

Variable

Obs	Mean	Std. Dev.	Min	Max
NQH	1602	0,1772	0,3819	0	1
plogit	1602	0,1773	0,3168	0	1
pprobit	1602	0,1756	0,3171	0	1
pols	1602	0,1773	0,1802	-0,9941	2,1921

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Từ bảng trên có thể thấy rằng, mô hình OLS là không phù hợp trong dữ liệu với biến phụ thuộc là biến nhị phân, các kết quả dự báo từ mô hình OLS đã nằm ngoài khoảng (0;1).

Bảng 4.9 Bảng thể hiện tỷ lệ dự báo chính xác của mô hình Logit

Logistic model for NQH


-------- True --------
Classified	D	~D	Total
+	202	48	250
-	82	1.270	1.352
Total	284	1.318	1.602
Classified + if predicted Pr(D) >= .5
True D defined as NQH != 0
Sensitivity	Pr( +\| D)		71,13%
Specificity	Pr( -\|~D)		96,36%
Positive predictive value	Pr( D\| +)		80,80%
Negative predictive value	Pr(~D\| -)		93,93%
False + rate for true ~D	Pr( +\|~D)		3,64%
False - rate for true D	Pr( -\| D)		28,87%
False + rate for classified +	Pr(~D\| +)		19,20%
False - rate for classified -	Pr( D\| -)		6,07%
Correctly classified			91,89%

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Bảng 4.10 Bảng thể hiện tỷ lệ dự báo chính xác của mô hình Probit

Probit model for NQH


-------- True --------
Classified	D	~D	Total
+	200	46	246
-	84	1.272	1.356
Total	284	1.318	1.602
Classified + if predicted Pr(D) >= .5
True D defined as NQH != 0
Sensitivity	Pr( +\| D)		70,42%
Specificity	Pr( -\|~D)		96,51%
Positive predictive value	Pr( D\| +)		81,30%
Negative predictive value	Pr(~D\| -)		93,81%
False + rate for true ~D	Pr( +\|~D)		3,49%
False - rate for true D	Pr( -\| D)		29,58%
False + rate for classified +	Pr(~D\| +)		18,70%
False - rate for classified -	Pr( D\| -)		6,19%
Correctly classified			91,89%

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Từ bảng 4.9 và bảng 4.10 có thể thấy rằng, tỷ lệ dự báo của mô hình Logit và Probit là tương đương nhau với số liệu khá cao 91,98%, thể hiện khả năng dự báo của mô hình là tốt.

4.11 Bảng so sánh mô hình Logit và Probit

Mô hình

Chỉ tiêu

Logit	Probit
Log likelihood	-228,5567	-233,4582
Pseudo R2	0,6813	0.6781
Prob > chi2 Hosmer- Lemeshow	0,1431	0,1354
Correctly classified	91,89%	91,89%

Nguồn: Theo kết quả chạy chương trình Stata của tác giả

Qua bảng 4.11 có thể thấy rằng, với các chỉ tiêu Log likelihood, Pseudo R2, Prob > chi2 Hosmer-Lemeshow, Correctly classified, mô hình Logit đều vượt trội hơn so với mô hình Probit. Vì vậy, kết quả của mô hình Logit là phù hợp để đảm bảo khả năng dự báo nợ quá hạn.

Với mô hình Logit được chọn, kết quả cho thấy, các biến có p-value < 5% sẽ có ý nghĩa thống kê bao gồm: GDP bình quân đầu người, Lạm phát, Lãi suất cho

vay, Doanh thu/Tổng tài sản, Vốn chủ sỡ hữu/Tổng nợ, Lợi nhuận trước thuế/Tổng nợ, Hàng tồn kho/Tổng tài sản. Các biến còn lại sẽ không có ý nghĩa thống kê trong mô hình. Tác giả sẽ chỉ tập trung phân tích vào tác động của các biến có ý nghĩa thống kê, cụ thể:

- Biến GDP bình quân đầu người có tương quan cùng chiều với khả năng nợ quá hạn của doanh nghiệp. Tuy nhiên, với hệ số 𝛽 = 0,007 đã chỉ ra rằng, tác động của biến này đến nợ quá hạn của doanh nghiệp là rất thấp. Đây là một trong những biến vĩ mô trong mô hình, với kỳ vọng mang một dấu âm trước đó, điều này cũng thể hiện, tùy thuộc vào từng vùng địa lý và văn hóa khác nhau, sự ảnh hưởng chung của nền kinh tế đến khả năng nợ quá hạn của doanh nghiệp là khác nhau và mức độ ảnh hưởng cũng khác nhau.

- Biến Lạm phát là một mối quan hệ ngược chiều với khả năng nợ quá hạn của doanh nghiệp. Hệ số 𝛽 = -0,237 là thấp. Đây cũng là một kết quả khác với kỳ vọng ban đầu. Nhưng theo các nghiên cứu trước đây cũng đã chỉ rõ, lạm phát sẽ tác động không rõ nét đến rủi ro tín dụng của doanh nghiệp, vì còn phụ thuộc vào mức độ lạm phát như thế nào. Vì vậy, theo như tác giả thấy, với khoảng thời gian từ 2010 đến 2016 là chưa đủ để đánh giá tác động của biến này.

- Biến Lãi suất thể hiện một mối tương quan cùng chiều với khả năng nợ quá hạn của doanh nghiệp. Điều này đúng với kỳ vọng ban đầu của tác giả, tuy nhiên mức độ ảnh hưởng của biến này đến khả năng nợ quá hạn của doanh nghiệp là không cao (𝛽 = 0,800), giống với kết luận của Carling và cộng sự (2007) là lãi suất không có tác động định lượng quan trọng về nguy cơ vỡ nợ của doanh nghiệp.

- Biến Doanh thu/Tổng tài sản có mối quan hệ tương quan ngược chiều với khả năng nợ quá hạn của doanh nghiệp. Đây là một kết quá đúng với kỳ vọng ban đầu của tác giả, tuy nhiên ảnh hưởng của biến này trong mô hình là không lớn (𝛽 = -0,377)

- Biến Vốn chủ sở hữu/Tổng nợ có mối quan hệ tương quan cùng chiều với khả năng nợ quá hạn của doanh nghiệp. Đây là một kết quả khá bất ngờ và ngược