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)
-13.3747 | 0.0000 | 2 | 4 | |
Breitung t-stat | 2 | 2 |
Có thể bạn quan tâm!
- Mô Hình Z-Score Và Điểm Số Tín Dụng Tiêu Dùng:
- 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
- Quy Trình Tín Dụng Đối Với Khách Hàng Doanh Nghiệp:
- 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 - 11
- 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 - 12
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)
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)
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
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="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 xác xuất phá sản của Ngân hàng NBB
Bảng 3. 10. Kiểm định tính dừng của biến PD
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
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)