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

Bảng 3.12: Phân tích Z-Score

Tên doanh nghiệp

2016	2017	2018
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

Có thể bạn quan tâm!

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

(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

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.

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 rò 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.

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.

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.

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) http://bomonnoiydhue.edu.vn/

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

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
6	Lao Assets Appraisal Co., Ltd (Công ty Thẩm định tài sản Lào)	LAA
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

PHỤ LỤC 2: Biến phụ thuộc của mô hình Logit

TÊN

2016				2017				2018
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