Trang chủ / Tài liệu miễn phí / Luận Văn Thạc Sĩ Khoa Học Máy Tính

Dự Báo Phá Sản Dựa Trên Mô Hình Z-Score Tại Các Doanh Nghiệp Khách Hàng Của Ngân Hàng


Bảng 3.8 tác giả tiến hành kiểm định ADF chuỗi dữ liệu EBITA, 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 5) Chuỗi dừng ở mức ý nghĩa 1%.

Bảng 3.9 là kiểm định điểm dừng ADF chuỗi dữ liệu EQUITYA, với độ trễ là 0, ta thấy chuỗi này không có tính dừng. Tiến hành lấy sai phân một lần ta được kết quả như (bảng 6) Chuỗi dừng ở mức ý nghĩa 1%.


Bảng 3. 6. Kiểm định điểm dừng EQUITYA

Panel unit root test: Summary Series: EQUITYA

Date: 10/05/20 Time: 09:34 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*

-13.3747

0.0000

2

4

Breitung t-stat



2

2

Có thể bạn quan tâm!

Xem toàn bộ 96 trang tài liệu này.

** Probabilities are computed assuming asympotic normality

(Nguồn: Tác giả tổng hợp từ Eviews 8.0)


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)


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


Bảng 3. 9. Biến xác suất phá sản của 10 doanh nghiệp



STT


Tên doanh nghiệp

PD

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.


OK (Nguồn: Tác 5 class= lazyload > Hình 3. 7. Nhập dữ liệu vào để phân 5 class= 5 OK (Nguồn: Tác 5 class= lazyload > Hình 3. 7. Nhập dữ liệu vào để phân 5" class="lazyload"> Graph… > OK (Nguồn: Tác 5" class="lazyload">

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 6

(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


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:


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

doanh

2016

2017

2018

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)

Xem tất cả 96 trang.

Ngày đăng: 02/06/2022
Trang chủ Tài liệu miễn phí