Cập nhật ngày 03/11/2020 - 13:46:46

           

Sử dụng hàm hồi quy Binary logistic xây dựng mô hình dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu container tại Việt Nam

- Kiểm toán báo cáo tài chính cho biết độ trung thực, chính xác, hợp lý của báo cáo tài chính so với các tiêu chuẩn, chuẩn mực đã được thiết lập. Hoạt động kiểm toán thường phải đối mặt với rủi ro, nhưng khó khăn nhất là loại rủi ro tiềm tàng

ThS. Trương Quý Hào

Trường Đại học Hàng hải Việt Nam

TÓM TẮT:

Thông qua thông số đầu tư tàu Container tại Việt Nam giai đoạn 1997-2019, bài viết sử dụng hàm hồi quy Binary Logistic nhằm xây dựng mô hình dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu container của Việt Nam. Kết quả cho thấy, có 5 nhân tố tác động được đưa vào phân tích nhằm dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu container của Việt Nam, gồm: Suất đầu tư; Suất vay vốn; Khả năng tài chính/hệ số nợ; Chi phí vốn bình quân và; Thời gian vay vốn. 

Từ khóa: tàu Container, Binary Logistic, rủi ro tín dụng


GIỚI THIỆU

Nghị quyết số 36/NQ-TW, ngày 22/10/2018 của Ban chấp hành trung ương Đảng cộng sản Việt Nam khóa XII về chiến lược phát triển bền vững kinh tế biển Việt Nam đến năm 2030 tầm nhìn đến năm 2045 nêu rõ “đến năm 2030 các ngành kinh tế thuần biển đóng góp khoảng 10% GDP cả nước; kinh tế của 28 tỉnh, thành phố ven biển ước đạt 65%-70% GDP cả nước. Các ngành kinh tế biển phát triển bền vững theo các chuẩn mực quốc tế; kiểm soát khai thác tài nguyên biển trong khả năng phục hồi của hệ sinh thái biển. Đến năm 2045, Việt Nam trở thành quốc gia biển mạnh, phát triển bền vững, thịnh vượng, an ninh, an toàn; kinh tế biển đóng góp quan trọng vào nền kinh tế đất nước, góp phần xây dựng nước ta thành nước công nghiệp hiện đại theo định hướng xã hội chủ nghĩa; tham gia chủ động và có trách nhiệm vào giải quyết các vấn đề quốc tế và khu vực về biển và đại dương”.

Để thực hiện được các mục tiêu này, cùng với các chính sách của Nhà nước, các doanh nghiệp trong lĩnh vực kinh doanh đội tàu cần phải triển khai các hoạt động tàu container cần sự hỗ trợ rất lớn từ phía các tổ chức tín dụng. Tuy nhiên, hoạt động kinh doanh luôn tiềm ẩn nhiều rủi ro. Để hoạt động đầu tư phát triển đội tàu container hiệu quả, cần thiết phải tìm hiểu và phân tích các yếu tố rủi ro nhất là những rủi ro về mặt tín dụng.

PHƯƠNG PHÁP NGHIÊN CỨU

Hồi quy Binary logistic sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008). Hai biểu hiện này sẽ được mã hóa thành hai giá trị 0 và 1 và ở dưới dạng này gọi là biến nhị phân. Dễ nhận thấy hai biến phụ thuộc của hàm Binary Logistic cho hai kết quả nếu ứng dụng vào mục tiêu dự báo rủi ro là:

+ Kết quả là 0 – tương ứng với trạng thái dự báo “Không có rủi ro tín dụng”

+ Kết quả là 1 – tương ứng với trạng thái dự báo “Có rủi ro tín dụng”

Hàm cho kết quả của biến phụ thuộc như trên hoàn toàn phù hợp với mục tiêu nghiên cứu. Mô hình hàm hồi quy Binary logistic trong trường hợp đơn giản nhất đó là khi hàm chỉ có một biến độc lập X. Ta có hàm Binary logistic dạng đơn giản như sau:

     

Trong đó: Pi = E(Y/X) = P(Y=1) là xác suất để Y = 1 (xác suất để sự kiện (có rủi ro tín dụng” xảy ra) khi biến độc lập X có giá trị cụ thể là Xi[1]. Pi có giá trị trong khoảng [0;1] với giá trị Pi>= 0.5 sẽ cho kết quả Y =1, ngược lại với Pi < 0.5 sẽ cho kết quả Y =0.

Căn cứ vào các nhân tố ảnh hưởng tới rủi ro tín dụng trong đầu tư phát triển đội tàu container của Việt Nam, tác giả mã hóa biến các nhân tố chính dẫn tới rủi ro tín dụng trong đầu tư phát triển đội tàu Container của Việt Nam như Bảng 1.

Bảng 1: Bảng mã hóa biến các nhân tố ảnh hưởng tới rủi ro tín dụng trong đầu tư phát triển đội tàu Container của Việt Nam

STT

 

 

Nguyên Nhân

 

 

 Mã hóa biến

1

Tổng mức đầu tư (Triệu đồng)

X1

2

Suất đầu tư (Triệu đồng/TEU)

X2

3

Suất vay vốn (Triệu đồng/TEU)

X3

4

Khẳ năng tài chính/hệ số nợ (%)

X4

5

Kinh nghiệm quản lý khai thác (năm) của chủ tàu

X5

6

Uy tín của chủ đầu tư/Mức tín nhiệm (Điểm)

X6

7

Chi phí vốn bình quân (Triệu đồng/năm/TEU)

X7

8

Chi phí khấu hao (Triệu đồng/năm)

X8

9

Thời gian vay vốn (năm)

X9

 


Nguồn: Tác giả tổng hợp và đề xuất

Với 9 biến trên, áp dụng vào hàm Binary Logistic ta có mô hình dự báo với 9 biến như sau:

                                                                                                                

Như vậy, mô hình hàm dự báo được dự kiến gồm 9 biến với hệ số β tương ứng cho từng biến β0àβ 9  đã được thiết lập theo công thức (2) ở trên.

Quá trình xây dựng mô hình dự báo tối ưu được kiểm tra đánh giá thông qua các chỉ tiêu đo lường độ tin cậy của và mối quan hệ của các biến trong mô hình nhờ phầm mềm SPSS với các chỉ tiêu đánh giá cụ thể gồm:

Độ phù hợp của mô hình thông qua chỉ tiêu: -2LL (-2 log likelihood), càng nhỏ càng tốt.

Kiểm định ý nghĩa các hệ số với chỉ tiêu Wald Chi Square = [β/s.e.(β)]2 = [B/s.e.(B)]2

Kiểm định độ phù hợp tổng quát theo chỉ tiêu định Chi – bình phương ( X2)

Kiểm định độ tin cậy của thang đo theo chỉ tiêu Crobach’s Alpha, trong đó độ tin cậy tổng thể >=0.6, độ tin cậy của từng nhân tố>=0.3

Kiểm định nhân tố khám phá (EFA) thông qua chỉ tiêu KMO (Kaiser-Meyer-Olkin) với yêu cầu  KMO>=0.5

Phân tích tương quan với hệ Hệ số Sig. thể hiện tính phù hợp của hệ số tương quan giữa các biến theo phép kiểm định với một độ tin cậy cho trước thường là 95% nên Sig. <=0.05.

Quá trình kiểm định, loại bỏ biến không phù hợp để đưa ra mô hình tối ưu được thực hiện như Hình.

Hình: Lưu đồ quy trình xây dựng và lựa chọn mô hình dự báo tối ưu

Nghiên cứu sử dụng bộ dữ liệu về đội tàu contanner của Cục Hàng hải Việt Nam và Trung tâm Thông tin Tín dụng Quốc gia trong giai đoạn 1997-2019.

Với các giả thuyết các nhân tố khác không ảnh hưởng, số liệu về các nguyên nhân chính ảnh hưởng tới rủi ro tín dụng tại 50 dự án đầu tư tàu container như Bảng 2.

Bảng 2: Bảng tổng hợp các thông số đầu tư tàu Container tại Việt Nam giai đoạn 1997-2019

Tên tàu[1]

X1

X2

X3

X4

X5

X6

X7

X8

X9

Y

T1

44,000

     109

    76

60

7

76

 12.0

  5,500

5

0

T2

370,000

     617

   555

80

24

70

 21.0

24,667

15

1

T3

330,000

    541

   487

82

24

70

 21.0

22,000

15

1

T4

410,000

404

   363

83

24

70

 21.0

27,333

10

1

T5

410,000

404

363

78

24

70

 19.0

27,333

10

1

T6

 20,000

525

   472

82

24

70

 21.0

21,333

10

1

T7

250,000

595

   536

77

24

70

   8.0

16,667

12

1

T8

250,000

619

   557

75

24

70

 15.0

16,667

12

1

T9

300,000

714

   643

85

19

70

   9.0

30,000

10

1

T10

300,000

714

   643

90

19

70

   9.0

30,000

10

1

T11

135,000

241

   150

67

49

72

   9.0

   ,000

5

1

T12

 25,000

223

   150

64

49

72

   9.0

  8,000

5

1

T13

93,500

119

     71

34

10

86

   4.0

9,350

5

0

T14

84,200

75

     26

40

10

85

   4.0

  8,420

5

0

T15

217,000

205

     82

18

10

86

   5.0

 4,467

5

0

T16

112,000

93

     47

19

10

86

   5.0

   ,467

7

0

T17

125,000

69

     35

20

10

85

   5.0

8,333

5

0

T18

125,000

121

     36

43

10

87

   3.8

12,500

5

0

T19

80,000

113

57

50

3

75

   7.0

  8,000

5

0

T20

400,000

571

   571

90

12

60

 19.0

26,667

8

1

T21

170,000

449

   449

70

25

65

 19.0

11,333

15

1

T22

230,000

885

   885

80

25

68

 17.0

15,333

13

1

T23

230,000

885

   885

85

25

65

 15.0

15,333

13

1

T24

80,000

114

     57

30

29

85

 11.0

  8,000

8

0

T25

60,000

104

     42

33

29

85

 11.0

  8,571

6

0

T26

96,000

143

   100

65

12

75

 12.0

  9,600

8

0

T27

120,000

171

   120

70

12

75

 12.0

12,000

5

0

T28

90,000

160

   112

73

12

74

 12.0

11,250

6

0

T29

210,000

500

   200

50

6

80

 12.0

21,000

5

0

T30

250,000

357

   179

80

6

80

 12.0

25,000

5

0

T31

200,000

328

   197

80

6

80

 12.0

20,000

5

0

T32

50,000

71

     43

85

14

85

 18.0

  7,143

5

0

T33

75,000

114

     57

85

14

85

 12.0

  7,500

8

0

T34

75,000

115

     69

15

15

79

 12.0

  7,500

7

0

T35

65,600

131

     66

10

15

79

 11.0

  6,560

7

0

T36

70,000

100

     50

40

19

70

 12.0

  7,000

5

0

T37

60,000

200

   100

83

19

70

 18.0

  4,000

10

0

T38

41,000

163

     81

80

19

70

 10.5

  4,100

8

0

T39

220,000

393

   354

90

24

65

 15.0

14,667

12

1

T40

530,000

491

   442

90

24

65

 16.0

35,333

15

1

T41

920,000

511

   460

90

24

65

 15.0

61,333

15

1

T42

154,000

367

   257

70

12

67

 20.0

10,267

8

0

T43

80,000

141

     99

70

12

67

 14.0

  8,000

6

0

T44

225,900

389

   351

78

16

68

   6.5

15,060

12

0

T45

238,800

412

   329

80

13

68

   6.0

15,920

12

1

T46

350,000

603

   543

80

12

60

 19.0

23,333

12

1

T47

57,000

127

   108

60

21

80

   5.9

  7,125

6

0

T48

86,000

91

     59

45

21

80

   6.0

  8,600

3

0

T49

101,000

106

     80

56

21

80

   7.8

  6,733

4

0

T50

70,000

173

104

70

11

76

 10.0

  7,000

7

0

 

[1]Để đảm bảo tính bảo mật thông tin cho các doanh nghiệp đang hoạt động tác giả đổi tên các tàu container và ký hiệu là T.

   Nguồn: Cục Hàng hải Việt Nam; Trung tâm Thông tin Tín dụng Quốc gia và tính toán của tác giả

KẾT QUẢ NGHIÊN CỨU

Với kết quả thu thập được tác giả tiến hành nhập liệu vào phần mềm SPSS và sử dụng mô hình hồi quy Binary Logistic như đã phân tích ở trên. Kết quả sau khi thực hiện phân tích đối với 9 biến phụ thuộc như mô hình tại công thức (2) cho thấy, loại 4 biến X1, X5, X6, X8 do không đảm bảo độ tin cậy. Lúc này mô hình hàm dự báo tối ưu mà tác giả đề xuất gồm 5 biến như sau:

Thực hiện kiểm định mô hình với số liệu thu thập qua SPSS ta có kết quả:

Bảng 3: Omnibus Tests of Model Coefficients

Bước

Chi-square

df

Sig.

Step 1

Step

51.858

5

.000

Block

51.858

5

.000

Model

51.858

5

.000

Nguồn: Tính toán của tác giả

Bảng 4 cho thấy, giá trị -2 Log likelihood nhỏ (-2 Log likelihood = 15.4) như vậy chứng tỏ độ phù hợp tốt của mô hình tổng thể.

Bảng 5: Classification Table

 

Observed

Predicted

Y

Percentage Correct

0

1

Step 1

Y

0

29

1

96.7

1

2

18

90.0

Overall Percentage

 

 

94.0

Nguồn: Tính toán của tác giả

Bảng 6: Variables in the Equation

Biến độc lập

B

S.E.

Wald

df

Sig.

Exp(B)

Step 1

X2

-.022

.020

1.217

1

.270

.978

X3

.067

.041

2.650

1

.104

1.069

X4

.015

.085

.031

1

.861

1.015

X7

-.098

.175

.309

1

.578

.907

X9

-1.025

.824

1.551

1

.213

.359

Constant

-.937

5.347

.031

1

.861

.392

Nguồn: Tính toán của tác giả

Bảng 5, 6 cho thấy, trong 30 trường hợp không có xẩy ra rủi ro tín dụng, mô hình dự báo đúng 29 trường hợp đạt 96.7% trường hợp; trong số 20 trường hợp có xẩy ra RRTD mô hình dự báo đúng 18 trường hợp như vậy. Vậy, tỷ lệ dự báo đúng đạt 90%. Độ chính xác tổng thể là 94%, trong khoa học dự báo độ tin cậy của mô hình như trên là tốt. Tuy nhiên, để tiếp tục đánh giá sự phù hợp của mô hình này, tác giả tiến hành các phân tích EFA.

Phân tích EFA

Bảng 7: KMO and Bartlett's Test

Kaiser-Meyer-Olkin Measure of Sampling Adequacy

.795

Bartlett's Test of Sphericity

Approx. Chi-Square

252.738

df

10

Sig.

.000

Nguồn: Tính toán của tác giả

Kết quả phân tích EFA Bảng 7 cho thấy, hệ số KMO = 0.785 (điều kiện 0.5 < KMO < 1), từ đó cho thấy 5 nhân tố trong mô hình 2 có mức độ phù hợp cao. Hệ số Sig. của kiểm định Bartlett với Sig. = 0.000 (< 0.05), thì các biến quan sát có tương quan với nhau trong tổng thể.

Nguồn: Tính toán của tác giả

Phân tích tương quan

Bảng 8: Correlations

Biến

X2

X3

X4

X7

X9

Y

X2

Pearson Correlation

1

.979**

.612**

.650**

.744**

.799**

Sig. (2-tailed)

 

.000

.000

.000

.000

.000

N

50

50

50

50

50

50

X3

Pearson Correlation

.979**

1

.616**

.655**

.780**

.829**

Sig. (2-tailed)

.000

 

.000

.000

.000

.000

N

50

50

50

50

50

50

X4

Pearson Correlation

.612**

.616**

1

.644**

.559**

.583**

Sig. (2-tailed)

.000

.000

 

.000

.000

.000

N

50

50

50

50

50

50

X7

Pearson Correlation

.650**

.655**

.644**

1

.619**

.606**

Sig. (2-tailed)

.000

.000

.000

 

.000

.000

N

50

50

50

50

50

50

X9

Pearson Correlation

.744**

.780**

.559**

.619**

1

.738**

Sig. (2-tailed)

.000

.000

.000

.000

 

.000

N

50

50

50

50

50

50

Y

Pearson Correlation

.799**

.829**

.583**

.606**

.738**

1

Sig. (2-tailed)

.000

.000

.000

.000

.000

 

N

50

50

50

50

50

50

Nguồn: Tính toán của tác giả

Kết quả chạy phân tích tương quan (Bảng 8) giữa các biến thông qua phần mềm SPSS cho thấy Sig. giữa biến “Y” và 5 nhân tố đều nhỏ hơn 0.05 chứng tỏ mức độ tương quan giữa 5 biến độc lập và biến phụ thuộc có ý nghĩa thống kê do đó không loại biến nào ra khỏi mô hình. Như vậy, mô hình cuối cùng (gồm 5 nhân tố) chính là mô hình tối ưu đủ điều kiện để tác giả sử dụng làm công cụ dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu Container tại Việt Nam với độ tin cậy tốt và độ chính xác đạt 94%.

Như vậy, sau quá trình thực nghiệm lựa chọn mô hình tối ưu, kết quả nghiên cứu đưa ra mô hình dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu Container của Việt Nam sử dụng hàm hồi quy Binary Logistic với  5 biến tương ứng với 5 nhân tố ảnh hưởng theo phương trình (4) dưới đây:

KẾT LUẬN

Việc ứng dụng hàm hồi quy Binary Logistic rất phù hợp cho việc xây dựng mô hình dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu container của Việt Nam. Thực tế tác giả đã xây dựng thành công mô hình dự báo rủi ro tín dụng như công thức (3) từ đó có thể lượng hóa rủi ro trong đầu từ phát triển đội tàu Container của Việt Nam, tác giả mong muốn thông qua kết quả mà mô hình dự báo mang lại giúp các tổ chức tín dụng khi thẩm định dự án đầu tư tàu container sẽ có thêm một công cụ dự báo khả năng xẩy ra rủi ro tín dụng đối với phương án tài trợ từ đó có được quyết định đúng đắn giảm thiểu và kiểm soát được rủi ro tín dụng giúp lĩnh vực đầu tư phát triển đội tàu Container của Việt Nam phát triển mạnh mẽ và bền vững./.

 

Tài liệu tham khảo

1. Ban Chấp hành Trung ương Đảng  (2018). Nghị Quyết số 36/NQ-TW, ngày 22/10/2018 về chiến lược phát triển bền vững kinh tế biển Việt Nam đến năm 2030 tầm nhìn đến năm 2045

 2. Hoàng Trọng – Chu Nguyễn Mộng Ngọc (2008). Phân tích dữ liệu nghiên cứu với SPSS, tập 2, Đại học kinh tế TP. Hồ Chí Minh

3. Nguyễn Đình Thọ (2011). Phương pháp nghiên cứu khoa học trong kinh doanh, Nxb Tài Chính

4. Trương Quý Hào (2019). Các nhân tố ảnh hưởng tới rủi ro tín dụng trong đầu tư phát triển tàu container của Việt Nam, Tạp chí Giao thông vận tải, số 12/2019

 

Summary:

Through the data of investment in container in Vietnam during the period 1997-2019, the article employs the Binary Logistic regression to build a credit risk prediction model for the investment in container fleet in Vietnam. The result introduces five influential factors to the aforementioned model, including Invested capital; Borrowed capital; Financial capability/debt ratio; Weighted average cost of capital; Loan period.

Keywords: Container, Binary Logistic, credit risk

(Đăng trên Tạp chí Kinh tế và Dự báo 3 tháng 1/2020)

Tin xem nhiều
* Ý kiến bạn đọc
* Tin đáng chú ý
* Các tin liên quan