Đề tài Xếp hạng tín dụng khách hàng doanh nghiệp vay vốn tại NHCP Công thương Việt Nam chi nhánh Ba Đình bằng mô hình Logistic

Hoạt động tín dụng của NHTM Việt Nam hiện nay đang phát triển mạnh mẽ và nó đã trở thành một yếu tố không thể thiếu được đối với nền kinh tế. Tuy nhiên trong hoạt động tín dụng thì rủi ro tín dụng là điều không thể tránh khỏi đối với mỗi Ngân hàng. Chính vì vậy việc xếp hạng khách hàng là rất cần thiết, giúp các Ngân hàng hạn chế được phần nào rủi ro, quản lý được khách hàng Vì vậy, hiện nay việc đổi mới hoạt động theo hướng nâng cao hiệu quả tín dụng phải được coi là khâu then chốt trong tiến trình đổi mới chung của ngành ngân hàng. Nhưng phương pháp XHTD của các Ngân hàng dựa trên việc chấm điểm các chỉ tiêu tài chính và các chỉ tiêu phi tài chính nên không dự báo, và không tìm được những nhân tố nào ảnh hưởng nhiều hay ít tới vị trí xếp hạng. Để khắc phục được điều này ta dùng mô hình Logit ước lượng xác suất có nợ không đủ tiêu chuẩn, mô hình có thể thường xuyên được cập nhật và ước lượng khá đơn giản.

doc86 trang | Chia sẻ: lylyngoc | Ngày: 10/09/2014 | Lượt xem: 2659 | Lượt tải: 8download
Bạn đang xem nội dung tài liệu Đề tài Xếp hạng tín dụng khách hàng doanh nghiệp vay vốn tại NHCP Công thương Việt Nam chi nhánh Ba Đình bằng mô hình Logistic, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
ết quả xếp hạng doanh nghiệp Thực hiện xếp hạng doanh nghiệp thành 10 hạng theo quy định của Vietibank có mức độ rủi ro từ thấp lên cao được mô tả cụ thể trong bảng dưới đây: Bảng 2.17: Đánh giá mức độ rủi ro tín dụng doanh nghiệp Loại Đặc điểm Mức độ rủi ro AA+: Loại tối ưu Điểm tín dụng tốt nhất dành cho các chất lượng tín dụng tốt nhất Tình hình tài chính lành mạnh Khả năng sinh lời tốt Hoạt động đạt hiệu quả cao, ổn định Năng lực cao trong quản lý Khả năng cạnh tranh rất vững vàng trước những tác động của môi trường kinh doanh hoặc độc quyền Nhà Nước Đạo đức tín dụng cao Thấp nhất AA: Loại ưu Tình hình tài chính lành mạnh Khả năng sinh lời tốt Hoạt động đạt hiệu quả cao, ổn định Quản lý tốt Triển vọng phát triển lâu dài Đạo đức tín dụng tốt Thấp nhưng về dài hạn cao hơn khách hàng loại AA+ AA-: Loại tốt Tình hình tài chính ổn định nhưng có những hạn chế nhất định Hoạt động hiệu quả nhưng không ổn định như khách hàng loại AA Quản trị tốt Triển vọng phát triển tốt Đạo đức tín dụng tốt Thấp BB+: Loại khá Tình hình tài chính ổn định trong ngắn hạn do có một số hạn chế về tài chính cà năng lực quản lý và có thể bị tác động mạnh bởi các điều kiện kinh tế, tài chính trong môi trường kinh doanh. Hoạt động hiệu quả và có triển vọng trong thời ngắn hạn. Trung bình BB: Loại trung bình khá Tiềm lực tài chính trung bình, có những nguy cơ tiềm ẩn Hoạt động kinh doanh tốt trong hiện tại nhưng dễ bị tổn thất bởi những biến đọng lớn trong kinh doanh do các sức ép cạnh tranh và sức ép từ nền kinh tế nói chung. Trung bình, khả năng trả nợ gốc và lãi trong tương lai ít được đảm bảo hơn khách hàng loại BB+ BB-: Loại trung bình Khả năng tự chủ tài chính thấp, dòng tiền biến động theo chiều hướng xấu. Hiệu quả hoạt đọng kinh doanh không cao, chịu nhiều sức ép cạnh tranh mạnh mẽ hơn, dễ bị tác động lớn từ những biến động kinh tế nhỏ Cao, do khả nang tự chủ tài chính thấp. Ngân hàng chưa có nguy cơ mất vốn ngay nhưng về lâu dài sẽ khó khăn nếu tình hình hoạt động kinh doanh của khách hành không được cải thiện CC+: Loại dưới trung bình Năng lực tài chính yếu, bị thua lỗ trong một số năm tài chính gần đây và hiện tại đang vật lộn để duy trì khả năng sinh lời. Hiệu quả hoạt động thấp, kết quả kinh doanh nhiều biến động Năng lực quản lý kém Cao, Là mức cao nhất có thể chấp nhận; xác xuất vi phạm hợp đồng tín dụng cao, nếu không có những biện pháp kịp thời, ngân hàng có nguy cơ mất vốn trong ngắn hạn CC: Loại yếu Năng lực tài chính yếu kém, đã có nợ quá hạn (dưới 90 ngày) Hiệu quả hoạt động thấp Năng lực quản lý kém Rất cao, khả năng trả nợ ngân hàng kém, nếu không có những biện pháp kịp thời, ngân hàng có nguy cơ mất vốn trong ngắn hạn CC-: Loại kém Năng lực tài chính yếu kém, đã có nợ quá hạn Hiệu quả hoạt động rất thấp, bị thua lỗ, không có triển vọng phục hồi. Năng lực quản lý kém Rất cao, ngân hàng sẽ phải mất nhiều thời gian và công sức để thu hồi vốn cho vay C: Loại rất kém Các khách hàng này bị thua lỗ kéo dài, tài chính yếu kém, có nợ khó đòi, năng lực quản lý kém Đặc biệt cao, ngân hàng hầu như sẽ không thể thu hồi được vốn cho vay ( Nguồn : Quyết định 1880 của Ngân hàng Công thương Việt Nam) Bước 8: Trình phê duyệt kết quả chấm điểm tín dụng và xếp hạng khách hàng doanh nghiệp Sau khi hoàn tất việc CĐTD và xếp hạng doanh nghiệp, lập tờ trình báo cáo kết quả, ký và trình lãnh đạo phòng. Nội dung tờ trình phải bao gồm những phần cơ bản sau: Giới thiệu thông tin cơ bản về khách hàng Các nguồn thông tin làm căn cứ chấm điểm tín dụng và xếp hạng Kết quả chấm điểm tín dụng và xếp hạng Nhận xét, đánh giá của cán bộ CĐTD về khách hàng Sau đó, lãnh đạo phòng CĐTD kiểm soát, chỉ đạo cán bộ CĐTD gửi tờ trình và các hồ sơ tài liệu làm căn cứ chấm điểm, xếp hạng khách hàng cho phòng QLRR để rà soát đối với những khách hàng phải thẩm định rủi ro tín dụng độc lập; kiểm tra nội dung tờ trình, ký trình lãnh đạo ngân hàng phê duyệt đối với trường hợp không phải thẩm định rủi ro tín dụng độc lập. Bước 9: Rà soát kết quả chấm điểm tín dụng và xếp hạng khách hàng (đối với khách hàng phải thẩm định rủi ro tín dụng độc lập) Cán bộ QLRR sẽ căn cứ hồ sơ khách hàng do phòng CĐTD chuyển đến, thông tin từ các nguồn khác (nếu có), rà soát theo các nội dụng: Thẩm định tính trung thực, hợp pháp, hợp lệ các thông tin làm căn cứ chấm điểm. Rà soát việc xác định các chỉ tiêu, mức điểm cho từng chỉ tiêu đảm bảo tuân thủ các quy định của quy trình này. Rà soát việc xếp hạng khách hàng đảm bảo theo đúng quy định. Lập báo cáo rà soát, trình lãnh đạo phòng QLRR. Trường hợp không nhất trí với kết quả phòng CĐTD thì trong báo cáo phải nêu rõ những điểm chưa chính xác để phòng CĐTD chỉnh sửa. Sau đó, lãnh đạo phòng QLRR sẽ kiểm tra, điều chỉnh (nếu có) và phê duyệt báo cáo rà soát do cán bộ QLRR trình, chuyển cho phòng CĐTD chỉnh sửa. Bước 10: Hoàn thiện hồ sơ kết quả chấm điểm tín dụng và xếp hạng khách hàng đối với khách hàng phải thẩm định rủi ro tín dụng độc lập Cán bộ CĐTD tiếp nhận kết quả rà soát của phòng QLRR, hoàn thiện hồ sơ chấm điểm, xếp hạng khách hàng. Lãnh đạo phòng CĐTD kiểm soát, phê duyệt hồ sơ chấm điểm, xếp hạng khách hành và trình báo lãnh đạo ngân hàng phê duyệt. Bước 11: Phê duyệt kết quả chấm điểm tín dụng và xếp hạng khách hàng Trên cơ sở tờ trình báo cáo kết quả của phòng CĐTD và báo cáo rà soát của phòng QLRR ( nếu có) thì lãnh đạo ngân hàng Công thương Việt Nam kiểm tra, phê duyệt kết quả CĐTD và xếp hạng khách hàng doanh nghiệp. Bước 12: Cập nhật dữ liệu, lưu trữ hồ sơ Sau khi tờ trình được phê duyệt, tiến hành cập nhật kết quả CĐTD và xếp hạng khách hàng doanh nghiệp chính thức vào hệ thống thông tin tín dụng của ngân hàng. Lưu trữ toàn bộ các hồ sơ, giấy tờ liên quan đến việc chấm điểm vào hồ sơ tín dụng chung. Chú ý: Cán bộ phòng CĐTD sẽ thực hiện các bước 1 đến bước 8 và bước 10, 12; Cán bộ phòng QLRR sẽ thực hiện bước 9; Lãnh đạo ngân hàng Công thương thực hiện bước 11. ĐÁNH GIÁ VỀ HOẠT ĐỘNG XẾP HẠNG TÍN DỤNG CỦA VIETINBANK Nhằm hưởng ứng theo tinh thần, đáp ứng yêu cầu của Hiệp ước Basel II và Quyết đinh 493/2005/QĐ- NHNN ngày 22/4/2005 của Thống đốc NHNN Việt Nam ban hành về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động kinh doanh của NHTM, ban quản trị của Vietinbank đưa ra “ quyết đinh 1880 của Ngân hàng Công thương Việt Nam ban hàng về quy trình chấm điểm tín dụng và xếp hạng khách hàng”. Nhờ đó, Vietinbank đã có các chính sách, chiến lược quản lý rủi ro tín dụng khá tốt như: Kiểm soát và quản lý rủi ro tín dụng bằng cách thiết lập hạn mức thanh toán tương ứng với mức độ rủi ro mà ngân hàng có thể chấp nhận được đối với mỗi khách hàng và đối với mỗi lĩnh vực địa lý, ngành nghề; giám sát dư nợ liên quan đến các hạn mức đã cấp. Thiết lập quy trình soát xét chất lượng tín dụng cho phép dự báo sớm những thay đổi về tình hình tài chính, khả năng trả nợ của các bên đối tác dựa trên các yếu tố định tính, định lượng. Hạn mức tín dụng cấp cho khách hàng được thiết lập thông qua hệ thống xếp hạng tín dụng. Trong đó, mỗi khách hàng được xếp loại ở một mức độ rủi ro và các xếp hạng rủi ro này được cập nhật lại thường xuyên. Bên cạnh những tích cực mà quy trình XHTD khách hàng của Vietibank xây dựng mang lại thì vẫn còn một số mặt hạn chế như: Đối với hạng mục chấm điểm XHTD, tỷ số Nợ quá hạn / tổng dư nợ ngắn hạn đang được xếp vào nhóm chỉ tiêu cân nợ trong bảng chấm điểm các chỉ tiêu tài chính.Điều này sẽ không phản ánh chính xác sức khỏe tài chính cảu Doanh nghiệp. Chỉ tiêu này không nên được xếp sang nhóm các chỉ tiêu vay nợ và chi phí trả nợ mà xếp sang nhóm chỉ tiêu phi tài chính. Xem xét các chỉ tiêu chấm điểm vay nợ và chi phí trả lãi cho ta thấy có sự trùng lập với các chỉ tiêu tài chính khi sử dụng tỷ số dư nợ ngắn hạn so với chủ sở hữu. Ngoài ra, các nhóm chỉ tiêu chấm điểm phi tài chính hiện đang sử dụng như số năm kinh nghiệm của giám đốc, năng lực của người điều hành…chưa thật sát lắm với việc phản ánh xu hướng khó khăn dẫn đến nguy cơ vỡ nợ của doanh nghiệp. Vì thế, kết quả đánh giá dễ sai lệch so với thực tế. Bên cạnh đó, cũng có những chỉ tiêu vượt quá năng lực của doanh nghiệp trong đánh giá nguy cơ mất khả năng thanh toán nợ vay như hệ số khả năng trả nợ gốc từ thu nhập thuần. Ví dụ như, doanh nghiệp vay vốn lưu động thì không phù hợp vì nguồn trả nợ gốc khoản vay ngắn hạn bổ sung vốn lưu động được bố trí chủ yếu từ doanh thu. Độ tin cậy của các báo cáo tài chính chưa cao; công việc thu thập từ dữ liệu chưa tốt, nhân viên thẩm định dựa vào số liệu khách hàng cung cấp quan tâm đến các nguồn thanh toán khác như cơ quan thuế, ngân hàng khác... Vì vậy, gây khó khăn cho ngân hàng trong việc phân tích XHTD doanh nghiệp. Chính vì vậy em muốn đề xuất, nghiên cứu ứng dụng mô hình Logistic trong xếp hạng khách hàng để tính ra được xác suất vỡ nợ của các doanh nghiệp vay vốn; chỉ ra ảnh hưởng của từng chỉ tiêu đến xác suất này và sử dụng để dự báo cho các năm sau và cho các doanh nghiệp khác nữa. Ngoài ra từ những kết quả thu được từ mô hình trên, em muốn đánh giá khả năng có thể chuyển đổi hạng của doanh nghiệp từ các nhân tố có ảnh hưởng khác. CHƯƠNG III. ỨNG DỤNG MÔ HÌNH LOGISTIC TRONG XẾP HẠNG KHÁCH HÀNG DOANH NGHIỆP CỦA VIETINBANK MÔ HÌNH LOGISTIC Phương pháp sử dụng mô hình trong XHTD Hiện nay, hầu hết các NHTM đã và đang tiến hành xây dựng cho mình một hệ thống XHTD khách hàng riêng để quản lý rủi ro tín dụng, trong đó có Vietinbank. Tuy nhiên, hệ thống mà các ngân hàng xây dựng vẫn tồn tại một số hạn chế nhất định. Đó là hệ thống chỉ dựa vào tổng số điểm để đánh giá việc cho vay mà không nêu lên được xác suất vỡ nợ trong tương lai của các doanh nghiệp. Một số chỉ tiêu quá thấp so với yêu cầu nhưng đôi khi lại được bù đắp bởi các chỉ tiêu khác nên chấm điểm tín dụng không đánh giá chính xác được tình hình hoạt động và kết quả kinh doanh của doanh nghiệp. Điều này có thể gây nhiều rủi ro cho ngân hàng. Trong nền kinh tế phát triển, việc đánh giá rủi ro tín dụng dựa vào cách xếp hạng các doanh nghiệp đi vay đang rất được quan tâm. Trong đó, mô hình logistic được các nhà kinh tế đánh giá là khá phổ biến và hiệu quả trong đó có Việt Nam. Mô hình được phân tích chủ yếu dựa vào các dữ liệu thu thập được trong quá khứ về tình hình kinh doanh của các doanh nghiệp thuộc các ngành khác nhau trong nền kinh tế. Từ đó, lượng hóa xác suất vỡ nợ của các doanh nghiệp dựa vào các dữ liệu trên. Ngoài ra, mô hình còn cho ta ước lượng được sự ảnh hưởng của từng yếu tố đến xác suất vỡ nợ trên. Chính vì thế, thông tin trong quá khứ càng chính xác và đầy đủ thì việc dự báo khả năng vỡ nợ của doanh nghiệp càng sát với thực tế. Với những đặc điểm của mô hình Logistic, nó đã khắc phục được những hạn chế trong hệ thống xếp hạng của Vietinbank nói riêng và các NHTM nói chung. Phương pháp sử dụng mô hình Mô hình logistic sử dụng các dữ liệu trong quá khứ về chỉ tiêu ảnh hưởng tới độ rủi ro của các doanh nghiệp đi vay vốn. Các chỉ tiêu này thường gồm chỉ tiêu tài chính cũng như các chỉ tiêu phi tài chính. Từ các dữ liệu trên bằng phương pháp hồi quy OLS chúng ta sẽ ước lượng được xác suất vỡ nợ của các doanh nghiệp dựa vào các biến độc lập là các chỉ tiêu trên. Ước lượng được ảnh hưởng của các nhân tố đến xác suất vỡ nợ. Từ đó dự báo được xác suất vỡ nợ thay đổi thế nào khi các yếu tố ảnh hưởng đến nó thay đổi. Với dữ liệu thu thập được từ Vietinbank, em sẽ ước lượng xác suất vỡ nợ của các doanh nghiệp theo 20 biến bao gồm các chỉ tiêu tài chính và chỉ tiêu phi tài chính. Xác định được xác suất vỡ nợ của các doanh nghiệp sẽ giúp Ngân hàng chủ động trong việc cho vay như xác định hạn mức tín dụng, mức lãi suất phù hợp và trích lập dự phòng rủi ro khi cho vay. Từ đó, giúp ngân hàng hạn chế được rủi ro tín dụng mang lại. Mô hình logistic và phương pháp phân tích Mô hình logistic Mô hình Logistic là mô hình hồi quy có biến phụ thuộc là biến giả bởi vì khi nghiên cứu kinh tế lượng người ta nhận thấy rằng trong đời sống hiện này có rất nhiều hiện tượng, quá trình mà khi thiết lập mô hình kinh tế lượng, biến phụ thuộc khó có thể lượng hóa được nên cần phải dùng đến biến giả để mô tả. Mô hình Logistic – Phương pháp Goldberger Trong mô hình này, các pi được xác định bằng: pi = eβ1+β2X2i1+eβ1+β2X2i = eXiβ1+eXiβ = expXiβ1+expXiβ (1.1) X = (1,X2); Xi = (1,X2i); β = (β1,β2) Trong mô hình trên, pi không phải là hàm tuyến tính của các biến độc lập. Phương trình (1.1) được gọi là hàm phân bố Logistic. Trong hàm này, khi X, β nhận các giá trị từ -∞ đến +∞ thì p nhận giá trị từ 0 đến 1. pi phi tuyến với cả X và các tham số β. Điều này có nghĩa là ta không thể áp dụng trực tiếp phương pháp bình phương nhỏ nhất (Ordinary Least Square - OLS) để ước lượng. Người ta dùng phương pháp ước lượng hợp lý tối đa để ước lượng β. Vì Y chỉ nhận một trong hai giá trị 0 và 1, Y có phân bố nhị thức, nên hàm hợp lý với mẫu kích thước n dạng sau đây: L = i=1npiYi(1-pi)1-Yi L = i=1n(expXiβ1+expXiβ)Yi(11+expXiβ)1-Yi = exp⁡(β'i=1nXiYi)i=1n(1+expXiβ) Đặt t* = i=1nXiYi , t* là vectơ hai chiều (số hệ số hồi quy). Ta cần tìm ước lượng hợp lý tối đa của β, ta có: Ln(L) = β’ t* - i=1nLn(1+expXiβ) ∂Ln(L)∂β = S(β) = - i=1nexpXiβ1+expXiβXi + t* = 0 (1.2) S(β) = - i=1nexpXiβ1+expXiβXi + t* Phương trình trên phi tuyến đối với β, người ta sử dụng phương pháp Newton Raphson để giải hệ phương trình này. I(β) = E(- ∂2Ln(L)∂β∂β) = E(∂S(β)∂β) = i=1n(1+expXiβ expXiβXi –(exp(Xiβ))2Xi(1+(exp(Xiβ))2)Xi = i=1n( exp⁡(Xiβ)i(1+(exp(Xiβ))2)XiXi' I(β) được gọi là ma trận thông tin. Nếu như β là nghiệm của S(β), khai triển Taylor tại β, ta có: S(β) = ∂Ln(L)∂β + ∂2Ln(L)∂β∂β' (β - β) β - β = - ∂Ln(L)∂β-1 S(β) = I(β)-1 S(β) Ta có quá trình lặp như sau: Bắt đầu với giá trị ban đầu nào đó của β, chẳng hạn β0, ta tính được S(β0) và I(β0). Sau đó tìm β mới bằng công thức sau đây: β1 = β0 + I(β0)-1 S(β0) Quá trình lặp trên sẽ được thực hiện cho đến khi hội tụ. Do I(β) là dạng toàn phương xác định dương, nên quá trình trên sẽ cho ước lượng hợp lý cực đại. Tương ứng với β, ta có + I(β)-1 là ma trận hiệp phương sai của β. Chúng ta sử dụng ma trận này để kiểm định giả thiết và thực hiện các suy đoán thống kê khác. Sau khi ước lượng được β, ta có thể tính được ước lượng xác suất pi= P(Y=1/Xi) pi = expXiβ1+expXiβ Kết hợp với (1.3) ta có: piXi = YiXi Phương trình này dùng để kiểm nghiệm lại các pi Như vậy trong mô hình Logistic chúng ta không nghiên cứu ảnh hưởng trực tiếp của biến độc lập Xk đối với Y mà xem xét ảnh hưởng của Xk đến xác suất để Y nhận giá trị bằng 1 hay kỳ vọng của Y. Ảnh hưởng của Xk đến pi được tính như sau: = expXiβ(1+expXiβ)2βk = pi(1-pi)βk Mô hình Logisitc – phương pháp Berkson Phương pháp này xác định pi = eβ1+β2X2i1+eβ1+β2X2i = eXiβ1+eXiβ bằng cách tuyến tính hóa 1 - pi = 1 - eXiβ1+eXiβ = 11+eXiβ pi1-pi = 1+eZi1+e-Zi = eXiβ Ln(pi1-pi) = Zi = β1 + β2Xi (1.3) Đặt Li = Ln(pi1-pi) + ui = β1 + β2Xi + ui (1.4) L không chỉ tuyến tính đối với biến số mà còn tuyến tính đối với tham số. Ước lượng Do chưa biết pi nên chúng ta sẽ sử dụng ước lượng của pi. Giả sử rằng mẫu có Ni giá trị Xi, trong Ni quan sát này chỉ có ni giá trị mà Yi = 1, khi đó ước lượng điểm của pi là pi = niNi. Chúng ta dùng pi để ước lượng mô hình Li = Ln(pi1-pi) = β1+ β2Xi Phân bố của Y là A(p), với Ni quan sát ta có kỳ vọng Nipi, phương sai Nipi(1-pi). Do đó theo định lý giới hạn trung tâm, khi Ni khá lớn thì ui sẽ tiệm cận chuẩn N(0,1/(Nipi(1-pi))). Như vậy (1.4) có phương sai của sai số thay đổi và với mỗi Xi ước lượng của phương sai này: σi2 = 1Nipi(1-pi).. Từ đây ta rút ra các bước sau đây: Bước 1: Với mỗi Xi ta tính pi = niNi, Li = Ln(pi1-pi), và wi = Nipi(1-pi) Bước 2: Thực hiện biến đổi biến số và dùng OLS để ước lượng mô hình sau: wiLi = βiwi + βiwiXi + wi ui Li* = β1 + β2 Xi* + vi Phương pháp phân tích Kiểm định tính phù hợp của mô hình Kiểm định tính phù hợp của mô hình bằng cách so sánh trong mẫu và ngoài mẫu để thấy rõ được sự sai lệch trong dự báo. Thủ tục như sau: Sử dụng dữ liệu là các chỉ tiêu tài chính và phi tài chính của 178 doanh nghiệp có quan hệ tín dụng đối với Vietinbank và các phần mềm có liên quan như SPSS và Eviews để đánh giá khả năng vỡ nợ của các doanh nghiệp trên. So sánh khả năng vỡ nợ của các doanh nghiệp trên theo mô hình logistic và theo quy trình xây dựng của Ngân hàng Công thương. Nếu hai cách trên không làm đổi hạng của doanh nghiệp thì mô hình được coi là phù hợp. Nếu mô hình phù hợp, dùng kết quả của mô hình phân tích sự ảnh hưởng của các yếu tố tác động đến xác suất vỡ nợ. Từ đó đánhgiá khả năng chuyển đổi hạng đối với từng doanh nghiệp khi có sự tác động tích cực hoặc tiêu cực của một hay nhiều yếu tố khác và đưa ra quyết định cho vay hay không, nếu cho vay thì khoản vay bằng bao nhiêu, lãi suất như thế nào? Từ đó, đưa ra lời khuyên đối với ngân hàng. Phân tích thông kê về khách hàng doanh nghiệp của Vietinbank Bộ số liệu gồm 178 doanh nghiệp có quan hệ tín dụng với Vietinbank chi nhánh Ba Đình - Hà Nội, hoạt động ở những lĩnh vực ngành nghề khác nhau trong nền kinh tế. Cụ thể: Cơ cấu khách hàng doanh nghiệp theo lĩnh vực hoạt động Hình 1: Cơ cấu khách hàng doanh nghiệp của Vietinbank theo ngành nghề Từ hình vẽ, cho ta thấy các doanh nghiệp hoạt động trong lĩnh vực thương mại dịch vụ có quan hệ tín dụng với Vietinbank nhiều nhất, nó chiếm tới 47% khách hàng doanh nghiệp vay vốn của Vietinbank. Sau đó lần lượt đến ngành xây dựng, công nghiệp chiếm 29% và 21%. Đặc biệt. ở chi nhánh Ba Đình của Vietinbank, khách hàng doanh nghiệp hoạt động trong lĩnh vực nông lâm ngư nghiệp chiếm tỷ trọng rất nhỏ, ở trong bộ số liệu này nó chỉ chiếm có 3% khách hàng doanh nghiệp vay vốn. Quy mô doanh nghiệp Hình 2: Tỷ trọng về quy mô doanh nghiệp Trong bộ số liệu 178 doanh nghiệp, có 76 doanh nghiệp có quy mô nhỏ, 42 doanh nghiệp có quy mô vừa và 60 doanh nghiệp có quy mô lớn. Ngoài ra, phân chia bộ số liệu theo loại hình doanh nghiệp thì có 86 doanh nghiệp chưa cổ phần hóa, 47 doanh nghiệp đã cổ phần nhưng chưa niêm yết trên sàn chứng khoán và có 45 doanh nghiệp cổ phần hóa, niêm yết trên sàn chứng khoán. ÁP DỤNG MÔ HÌNH LOGISTIC ĐỂ XẾP HẠNG TÍN DỤNG KHÁCH HÀNH DOANH NGHIỆP VAY VỐN CỦA VIETINBANK Lựa chọn chỉ tiêu chạy mô hình Thu thập số liệu Công đoạn thu thập số liệu để sử dụng trong mô hình được coi là bước có vai trò rất quan trọng, nó tác động trực tiếp đến các kết quả phân tích, dự báo trong mô hình. Tuy nhiên, việc thu thập số liệu gặp rất nhiều khó khăn do bảo mật của Ngân hàng đối với dữ liệu khách hàng. Bên cạnh đó, các doanh nghiệp có thể cung cấp các báo cáo tài chính không chính xác, có sự sai lệnh giữa báo cáo tài chính nộp cho cơ quan thuế và báo cáo đưa cho ngân hàng. Vì thế, để có được bộ số liệu chuẩn xác về tình hình doanh nghiệp cần phải xem xét, thẩm định các số liệu cẩn thận. Đặc biệt, khi xây dựng mô hình phải chú ý các giả định và chú ý tính hiệu quả của mô hình. Bộ số liệu được sử dụng sau đây được thu thập từ phòng chấm điểm tín dụng và các báo cáo tài chính của các doanh nghiệp đã và đang vay vốn tại Vietinbank chi nhánh Ba Đình – Hà Nội năm 2010 và năm 2011. Lựa chọn chỉ tiêu Không phải chỉ tiêu nào cũng có thể hiện mối quan hệ rõ ràng với tần suất vỡ nợ của các doanh nghiệp. Vì vậy, để ước lượng xác suất vỡ nợ hay khả năng trả nợ của doanh nghiệp thì chúng ta phải có sự lựa chọn phù hợp các biến đưa vào mô hình. Từ các biến được đề xuất đưa vào mô hình, ta sử dụng mô hình hồi quy biến phụ thuộc với các biến độc lập. Sau đó ta kiểm tra xem ý nghĩa thống kê của các biến có phù hợp với mô hình hay không? Và kiểm định xem có khả năng loại bỏ biến ra khỏi mô hình không? Thủ tục này được lặp đi lặp lại đến khi có thể lựa chọn được các biến dự báo tốt nhất. Lúc này, chúng ta đánh giá ảnh hưởng của các chỉ tiêu ( các biến được lựa chọn cuối cùng trong mô hình ) đến khả năng vỡ nợ. Qua đó xây dựng mô hình phù hợp nhất. Thông qua bộ số liệu thu thập được ở trên, các biến được đề xuất trong mô hình là: Bảng 3.1 : Các biến được lựa chọn trong mô hình logistic Y Tình trạng nợ của khách hàng doanh nghiệp y= 0 Doanh nghiệp không có nợ xấu y = 1 Doanh nghiệp có nợ xấu X1 Quy mô doanh nghiệp x1 = 0 Quy mô nhỏ x1 = 1 Quy mô vừa X1 = 2 Quy mô lớn x2 Loại hình doanh nghiệp x2 = 0 Chưa cổ phần hóa X2 = 1 Đã cổ phần nhưng chưa niêm yết X2 = 2 Cổ phần và đã niêm yết x3 Vốn vay ngân hàng / Vốn chủ sở hữu x4 Khả năng thanh toán hiện hành x5 Khả năng thanh toán nhanh x6 Khả năng thanh toán tức thời x7 Vòng quay vốn lưu động x8 Vòng quay hàng tồn kho x9 Vòng quay nợ phải trả x10 Hiệu suất sử dụng tài sản cố định x11 Tổng nợ phải trả / tổng tài sản x12 Nợ dài hạn / vốn chủ sở hữu x13 Lãi gộp / doanh thu thuần x14 Lợi nhuận từ hoạt động kinh doanh/ doanh thu thuần x15 Lợi nhuận sau thuế / vốn chủ sở hữu X16 Lợi nhuận sau thuế / tổng tài sản X17 Ebit / chi phí lãi vay Trong đó: Y là biến phụ thuộc có phân bố nhị thức Xi là biến độc lập Ước lượng mô hình logistic phù hợp và ứng dụng mô hình vào dự báo hạng mức tín dụng doanh nghiệp Từ bộ số liệu ta có bảng mô tả thống kê các biến và ma trân biểu diễn sự tương quan giữa các biến được đề xuất như sau: Bảng 3.2: Mô tả thống kê các biến trong mô hình ban đầu X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 Mean 0.520557 -89.54433 -30.80466 -4.095169 3.663202 79.17736 24.32607 45.30388 160.4522 10279.97 0.154557 0.086535 1743.705 103.0509 -409629.4 Median 0.4655 1.335 0.86 0.11 2.44 6.505 6.5 10.35 0.646 0.1172 0.11475 0.057 0.127 0.0315 2.905 Maximum 2.5 523.44 417.16 360.1 18.99 9884.45 1637.65 2014.38 16892 668387 1 0.9801 392853 18331 649.77 Minimum 0 -17170.98 -6155.75 -1155.73 0 0 0 0 0 -15776 -0.2104 -0.4256 -169292 -0.2355 -72917110 Std. Dev. 0.400316 1288.235 462.7373 90.90197 3.861852 740.8476 127.6007 167.0971 1530.394 53053.04 0.176408 0.136494 32343.69 1373.961 5465370 Skewness 1.5735 -13.20699 -13.13324 -11.15608 2.032126 13.13519 11.63028 9.81015 9.748429 10.96731 2.760231 2.396635 9.195751 13.22897 -13.22897 Kurtosis 7.849025 175.6272 174.4042 147.8297 7.188345 174.3401 145.6817 111.6834 98.70577 134.8265 13.25295 17.45495 125.9448 176.0056 176.0056 Jarque-Bera 247.8401 226192.4 223014.1 159261.6 252.6145 222852.6 155001.8 90461.4 70752.94 132456.9 1005.689 1720.08 114614.8 227179.7 227179.7 Probability 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 Sum 92.65907 -15938.89 -5483.23 -728.94 652.05 14093.57 4330.04 8064.09 28560.5 1829835 27.5112 15.4033 310379.5 18343.05 -72914033 Sum Sq. Dev. 28.3648 2.94E+08 37900264 1462581 2639.761 97147378 2881905 4942093 4.15E+08 4.98E+11 5.508213 3.297612 1.85E+11 3.34E+08 5.29E+15 Observations 178 178 178 178 178 178 178 178 178 178 178 178 178 178 178 Bảng 3.3 : Ma trận tương quan giữa các biến trong mô hình ban đầu X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X1 1 0.252668 0.134789 -0.098637 -0.100336 -0.11511 -0.06072 0.100728 0.039746 -0.076669 0.033382 0.152693 -0.164378 -0.001084 0.125804 0.007763 -0.007772 X2 0.252668 1 0.259125 0.066461 0.064711 0.044817 -0.037617 0.120787 -0.090413 -0.020355 0.155979 0.109128 -0.12629 0.003654 0.048669 -0.070007 -0.111908 X3 0.134789 0.259125 1 0.094162 0.092644 0.070464 0.032839 0.029147 -0.028235 0.092038 0.19342 0.160571 -0.148297 -0.164067 0.04495 0.00743 -0.025691 X4 -0.098637 0.066461 0.094162 1 0.999225 0.963407 0.071079 0.006926 0.008268 0.02028 0.007433 0.013735 -0.348822 0.072458 0.003364 0.00526 -0.005319 X5 -0.100336 0.064711 0.092644 0.999225 1 0.972763 0.071067 0.006679 0.007762 0.018221 0.007242 0.013366 -0.3342 0.071024 0.0037 0.005062 -0.005136 X6 -0.11511 0.044817 0.070464 0.963407 0.972763 1 0.069472 0.004441 0.004237 0.012939 0.004842 0.009127 -0.233816 0.058436 0.002485 0.00349 -0.00343 X7 -0.06072 -0.037617 0.032839 0.071079 0.071067 0.069472 1 0.129416 0.343585 0.05559 -0.054391 -0.040316 -0.19885 -0.068923 0.086168 -0.01897 0.035587 X8 0.100728 0.120787 0.029147 0.006926 0.006679 0.004441 0.129416 1 -0.004821 -0.021003 -0.00951 0.004377 -0.027618 -0.021591 -0.005366 -0.008013 0.007598 X9 0.039746 -0.090413 -0.028235 0.008268 0.007762 0.004237 0.343585 -0.004821 1 -0.0287 -0.01756 0.083045 -0.025845 0.014278 0.003864 -0.010643 0.012191 X10 -0.076669 -0.020355 0.092038 0.02028 0.018221 0.012939 0.05559 -0.021003 -0.0287 1 -0.026151 0.109793 -0.074251 -0.057523 0.048048 -0.016765 0.010143 X11 0.033382 0.155979 0.19342 0.007433 0.007242 0.004842 -0.054391 -0.00951 -0.01756 -0.026151 1 -0.020359 -0.03423 -0.028548 -0.005639 -0.007871 0.007858 X12 0.152693 0.109128 0.160571 0.013735 0.013366 0.009127 -0.040316 0.004377 0.083045 0.109793 -0.020359 1 -0.0619 0.081966 0.027509 -0.014612 0.014604 X13 -0.164378 -0.12629 -0.148297 -0.348822 -0.3342 -0.233816 -0.19885 -0.027618 -0.025845 -0.074251 -0.03423 -0.0619 1 0.093201 0.001896 -0.010543 0.018997 X14 -0.001084 0.003654 -0.164067 0.072458 0.071024 0.058436 -0.068923 -0.021591 0.014278 -0.057523 -0.028548 0.081966 0.093201 1 -0.057353 -0.005373 0.016752 X15 0.125804 0.048669 0.04495 0.003364 0.0037 0.002485 0.086168 -0.005366 0.003864 0.048048 -0.005639 0.027509 0.001896 -0.057353 1 -0.004065 0.004063 X16 0.007763 -0.070007 0.00743 0.00526 0.005062 0.00349 -0.01897 -0.008013 -0.010643 -0.016765 -0.007871 -0.014612 -0.010543 -0.005373 -0.004065 1 0.005653 X17 -0.007772 -0.111908 -0.025691 -0.005319 -0.005136 -0.00343 0.035587 0.007598 0.012191 0.010143 0.007858 0.014604 0.018997 0.016752 0.004063 0.005653 1 Nhận thấy hệ số tương quan giữa một số biến với nhau khá lớn như: r (X4, X5) = 0.999225 r (X4, X6 ) = 0.963407 r (X5,X6) = 0.972763 Vì một số biến có tương quan chặt chẽ với nhau nên nếu giữ nguyên các biến đó và hổi quy thì kết quả thu được trong mô hình sẽ không chính xác về mặt toán học cũng như ý nghĩa về mặt kinh tế. Vì vây, dựa vào hệ số tương quan giữa các biến cùng với các phương pháp kiểm định ta xác định các biến có quan hệ chặt để loại bỏ một hoặc cả hai biến đó ra khỏi mô hình. Ước lượng mô hình và lựa chọn bỏ biến Ước lượng mô hình logitistic với đầy đủ các biến được đề xuất ta thu được kết quả như sau: Bảng 3.4: Ước lượng mô hình logistic với các biến đề xuất Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Sample: 1 178 Included observations: 178 Convergence achieved after 15 iterations Covariance matrix computed using second derivatives Variable Coefficient Std. Error z-Statistic Prob. C -0.677691 0.557560 -1.215460 0.2242 X1 0.386270 0.227469 1.698119 0.0895 X2 0.024757 0.237697 0.104155 0.9170 X3 -0.114030 0.483190 -0.235994 0.8134 X4 0.002450 0.011291 0.217023 0.8282 X5 0.032005 0.093981 0.340544 0.7334 X6 0.129824 0.340626 0.381135 0.7031 X7 0.220591 0.078919 2.795138 0.0052 X8 3.46E-05 0.000491 0.070519 0.9438 X9 -0.002171 0.001588 -1.366567 0.1718 X10 0.000193 0.001075 0.179927 0.8572 X11 0.000813 0.009488 0.085694 0.9317 X12 4.54E-06 5.77E-06 0.786993 0.4313 X13 4.367053 1.701986 2.565856 0.0103 X14 -1.763370 1.379045 -1.278689 0.2010 X15 3.80E-05 3.79E-05 1.004806 0.3150 X16 0.155314 1.497399 0.103722 0.9174 X17 -1.76E-07 1.08E-05 -0.016334 0.9870 Obs with Dep=0 52 Total obs 178 Obs with Dep=1 126 Nhận xét : Từ bảng ma trận tương quan giữa các biến ta thấy X4, X5 có mối quan hệ chặt chẽ với nhau. Đồng thời nhìn vào bảng kết quả hồi quy, X4 có P- value = 0.8282 > 0.1 và X5 có P- value = 0.7334 > 0.1 => X4, X5 không có ý nghĩa thống kê với mức ý nghĩa 10% . Điều này cho ta thấy hệ số của hai biến X4, X5 rất có thể bằng 0. Vì vậy ta dùng kiểm định Wald test để kiểm định xem có thể bỏ hai biến này ra khỏi mô hình không? Kiểm định Wald test loại bỏ biến X4, X5 : H0: C(5) = 0, C(6) = 0 H1: Có ít nhất một hệ số khác 0 Bảng 3.5: Kiểm định Wald test loại bỏ biến X4, X5 Wald Test: Equation:Untitled Null Hypothesis: C(5)=0 C(6)=0 F-statistic 0.089485 Probability 0.914448 Chi-square 0.17897 Probability 0.914402 Kết quả: Kiểm định F có P- value = 0.914448 > 0.1 Kiểm định χ2 có P- value = 0.914402 > 0.1 Không đủ cơ sở để bác bỏ H0 nên H0 được chấp nhận Hay loại bỏ biến X4, X5 ra khỏi mô hình Ước lượng mô hình logistic sau khi loại biến X4, X5 ta thu được kết quả Bảng 3.6: Ước lượng mô hình logistic sau khi bỏ biến X4, X5 Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Included observations: 178 Variable Coefficient Std. Error z-Statistic Prob. C -0.63818 0.552611 -1.154842 0.2482 X1 0.381998 0.227249 1.680967 0.0928 X2 0.021573 0.23743 0.090862 0.9276 X3 -0.11674 0.481928 -0.242234 0.8086 X6 0.191946 0.300932 0.637837 0.5236 X7 0.219367 0.078429 2.797022 0.0052 X8 3.50E-05 0.000492 0.07125 0.9432 X9 -0.00217 0.001587 -1.369599 0.1708 X10 0.000221 0.001075 0.20548 0.8372 X11 0.00099 0.026273 0.037685 0.9699 X12 4.49E-06 5.71E-06 0.785313 0.4323 X13 4.507139 1.698829 2.653085 0.008 X14 -1.83785 1.379409 -1.332349 0.1827 X15 3.77E-05 3.79E-05 0.994586 0.3199 X16 0.003819 1.485401 0.002571 0.9979 X17 -5.15E-07 0.003738 -0.000138 0.9999 Nhận xét: Nhìn vào bảng kết quả hồi quy ta thấy X16 có P- value = 0.9979 và X17 có P- value = 0.9999 đều lớn hơn 0.1 X16, X17 đều không có ý nghĩa thống kê với mức ý nghĩa 10%. Điều này cho thấy hệ số của hai biến X16, X17 có thể bằng 0. Kiểm định Wald test loại bỏ biến X16, X17 H0: C(15) = 0, C(16) = 0 H1: Có ít nhất một hệ số khác 0 Bảng 3.7: Kiểm định Wald test loại bỏ biến X16, X17 Wald Test: Equation:Untitled Null Hypothesis: C(15)=0 C(16)=0 F-statistic 3.32E-06 Probability 0.999997 Chi-square 6.63E-06 Probability 0.999997 Kết quả: Kiểm định F có P- value = 0.999997 > 0.1 Kiểm định χ2 có P- value = 0.999997 > 0.1 Không đủ cơ sở để bác bỏ H0 nên H0 được chấp nhận Hay loại bỏ biến X16, X17 ra khỏi mô hình Ước lượng mô hình logistic sau khi loại biến X16, X17 ta thu được kết quả Bảng 3.8: Ước lượng mô hình logistic sau khi bỏ biến X16, X17 Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Sample:1-178 Included observations: 178 Variable Coefficient Std. Error z-Statistic Prob. C -0.61085 0.545811 -1.119163 0.2631 X1 0.381742 0.22745 1.678356 0.0933 X2 0.029305 0.235034 0.124684 0.9008 X3 -0.10618 0.481103 -0.22069 0.8253 X6 0.174639 0.298 0.586036 0.5579 X7 0.217468 0.077505 2.805853 0.005 X8 2.90E-05 0.000483 0.060085 0.9521 X9 -0.00217 0.001574 -1.378079 0.1682 X10 0.000201 0.001072 0.187846 0.851 X11 0.000841 0.011325 0.074267 0.9408 X12 4.32E-06 5.59E-06 0.773079 0.4395 X13 4.500238 1.689121 2.664248 0.0077 X14 -1.85795 1.369798 -1.356369 0.175 X15 3.75E-05 3.73E-05 1.003409 0.3157 Nhận xét: Nhìn vào bảng kết quả hồi quy ta thấy X8 có P- value = 0.9521và X11 có P- value = 0.9408 đều lớn hơn 0.1 X8, X11 đều không có ý nghĩa thống kê với mức ý nghĩa 10%. Điều này cho thấy hệ số của hai biến X8, X11 có thể bằng 0. Kiểm định Wald test loại bỏ biến X8, X11 H0: C(7) = 0, C(10) = 0 H1: Có ít nhất một hệ số khác 0 Bảng 3.9: Kiểm định Wald test loại bỏ biến X8, X11 Wald Test: Equation: Untitled Null Hypothesis: C(7)=0 C(10)=0 F-statistic 0.004563 Probability 0.995447 Chi-square 0.009127 Probability 0.995447 Kết quả: Kiểm định F có P- value = 0.995447 > 0.1 Kiểm định χ2 có P- value = 0.995447 > 0.1 Không đủ cơ sở để bác bỏ H0 nên H0 được chấp nhận Hay loại bỏ biến X8, X11 ra khỏi mô hình Ước lượng mô hình logistic sau khi loại biến X8, X11 ta thu được kết quả Bảng 3.10: Ước lượng mô hình logistic sau khi bỏ biến X8, X11 Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Sample: 1 178 Included observations: 178 Variable Coefficient Std. Error z-Statistic Prob. C -0.621674 0.543139 -1.144595 0.2524 X1 0.361817 0.224547 1.61132 0.1071 X2 0.069252 0.232558 0.297782 0.7659 X3 -0.021898 0.476875 -0.04592 0.9634 X6 0.159071 0.295251 0.538764 0.59 X7 0.213685 0.076407 2.796681 0.0052 X9 -0.002118 0.001564 -1.354254 0.1757 X10 0.000158 0.001068 0.147836 0.8825 X12 4.12E-06 5.59E-06 0.738467 0.4602 X13 4.473816 1.690878 2.645854 0.0081 X14 -1.834112 1.368801 -1.33994 0.1803 X15 3.75E-05 3.70E-05 1.015407 0.3099 Nhận xét: Nhìn vào bảng kết quả hồi quy ta thấy X3 có P- value = 0.9634 và X10 có P- value = 0.8825 đều lớn hơn 0.1 X3, X10 đều không có ý nghĩa thống kê với mức ý nghĩa 10%. Điều này cho thấy hệ số của hai biến X3, X10 có thể bằng 0. Kiểm định Wald test loại bỏ biến X3, X10 H0: C(4) = 0, C(8) = 0 H1: Có ít nhất một hệ số khác 0 Bảng 3.11: Kiểm định Wald test loại bỏ biến X3, X10 Wald Test: Equation: Untitled Null Hypothesis: C(4)=0 C(8)=0 F-statistic 0.011555 Probability 0.988512 Chi-square 0.023111 Probability 0.988511 Kết quả: Kiểm định F có P- value = 0.988512> 0.1 Kiểm định χ2 có P- value 0.988511> 0.1 Không đủ cơ sở để bác bỏ H0 nên H0 được chấp nhận Hay loại bỏ biến X3, X10 ra khỏi mô hình Ước lượng mô hình logistic sau khi loại biến X3, X10 ta thu được kết quả Bảng 3.12: Ước lượng mô hình logistic sau khi bỏ biến X3, X10 Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Sample: 1 178 Included observations: 178 Variable Coefficient Std. Error z-Statistic Prob. C -0.623835 0.491925 -1.268151 0.2047 X1 0.358418 0.223422 1.604222 0.1087 X2 0.06666 0.226738 0.293998 0.7688 X6 0.159977 0.294948 0.54239 0.5875 X7 0.214967 0.076233 2.81986 0.0048 X9 -0.002136 0.00156 -1.368888 0.171 X12 4.16E-06 5.55E-06 0.749124 0.4538 X13 4.47E+00 1.687397 2.646453 0.0081 X14 -1.832267 1.353379 -1.353846 0.1758 X15 3.76E-05 3.69E-05 1.020305 0.3076 Nhận xét: Nhìn vào bảng kết quả hồi quy ta thấy X2 có P- value = 0.7688 và X6 có P- value 0.5875 đều lớn hơn 0.1 X2, X6 đều không có ý nghĩa thống kê với mức ý nghĩa 10%. Điều này cho thấy hệ số của hai biến X2, X6 có thể bằng 0. Kiểm định Wald test loại bỏ biến X2, X6 H0: C(3) = 0, C(4) = 0 H1: Có ít nhất một hệ số khác 0 Bảng 3.13: Kiểm định Wald test loại bỏ biến X2, X6 Wald Test: Equation:Untitled Null Hypothesis: C(3)=0 C(4)=0 F-statistic 0.182025 Probability 0.833744 Chi-square 0.364051 Probability 0.83358 Kết quả: Kiểm định F có P- value 0.833744 > 0.1 Kiểm định χ2 có P- value 0.83358 > 0.1 Không đủ cơ sở để bác bỏ H0 nên H0 được chấp nhận Hay loại bỏ biến X2, X6 ra khỏi mô hình Ước lượng mô hình logistic sau khi loại biến X2, X6 ta thu được kết quả Bảng 3.14: Ước lượng mô hình logistic sau khi bỏ biến X2, X6 Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Sample: 1 178 Included observations: 178 Variable Coefficient Std. Error z-Statistic Prob. C -0.223309 0.408095 -0.547198 0.5842 X1 0.252934 0.206198 1.226659 0.22 X7 0.202999 0.073836 2.749331 0.006 X9 -0.002082 0.00156 -1.3345 0.182 X12 4.11E-06 5.63E-06 0.729773 0.4655 X13 2.579919 1.309776 1.96974 0.0489 X14 -1.30E+00 1.24E+00 -1.047767 0.1947 X15 3.73E-05 3.46E-05 1.078752 0.0807 Nhận xét: Nhìn vào bảng kết quả hồi quy ta thấy hệ số chặn C có P- value = 0.5842 và X12 có P- value 0.4655 đều lớn hơn 0.1 Hệ số chặn, X12 đều không có ý nghĩa thống kê với mức ý nghĩa 10%. Điều này cho thấy hệ số chặn và X12 có thể bằng 0. Kiểm định Wald test loại bỏ biến X12 và hệ số chặn H0: C(1) = 0, C(5) = 0 H1: Có ít nhất một hệ số khác 0 Bảng 3.15: Kiểm định Wald test loại bỏ biến X12 và hệ số chặn Wald Test: Equation:Untitled Null Hypothesis: C(1)=0 C(5)=0 F-statistic 0.390204 Probability 0.677524 Chi-square 0.780407 Probability 0.676919 Kết quả: Kiểm định F có P- value 0.677524 > 0.1 Kiểm định χ2 có P- value 0.676919 > 0.1 Không đủ cơ sở để bác bỏ H0 nên H0 được chấp nhận Hay loại bỏ biến X12 và hệ số chặn ra khỏi mô hình Ước lượng mô hình logistic sau khi loại biến X12 và hệ số chặn ta thu được kết quả Bảng 3.16: Ước lượng mô hình logistic sau khi bỏ biến X12 và hệ số chặn Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Sample: 1 178 Included observations: 178 Variable Coefficient Std. Error z-Statistic Prob. X1 0.2260700 0.1710670 1.3215250 0.0863 X7 0.1775260 0.0578280 3.0698910 0.0021 X9 -0.0017210 0.0014710 -1.1704110 0.0418 X13 2.1453000 1.0405670 2.0616650 0.0392 X14 -1.3296890 1.1944680 -1.1132050 0.2656 X15 0.0000355 0.0000335 1.0599930 0.0891 Nhận xét: Nhìn vào bảng kết quả hồi quy ta thấy X14 có P- value 0.2656 > 0.1 X14 không có ý nghĩa thống kê với mức ý nghĩa 10%. Điều này cho thấy X14 có thể bằng 0. Kiểm định Wald test loại bỏ biến X14 H0: C(5) = 0 H1: Có ít nhất một hệ số khác 0 Bảng 3.17: Kiểm định Wald test loại bỏ biến X14 Wald Test: Equation: Untitled Null Hypothesis: C(5)=0 F-statistic 1.239226 Probability 0.267174 Chi-square 1.239226 Probability 0.26562 Kết quả: Kiểm định F có P- value 0.267174 > 0.1 Kiểm định χ2 có P- value 0.26562 > 0.1 Không đủ cơ sở để bác bỏ H0 nên H0 được chấp nhận Hay loại bỏ biến X14 ra khỏi mô hình Ước lượng mô hình logistic sau khi loại biến ta thu được kết quả Bảng 3.18: Ước lượng mô hình logistic sau khi bỏ biến X14 Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Sample: 1 178 Included observations: 178 Variable Coefficient Std. Error z-Statistic Prob. X1 0.186842 0.166131 1.124667 0.0607 X7 0.173769 0.057311 3.032029 0.0024 X9 -0.001740 0.001464 -1.188648 0.0346 X13 1.763995 0.933973 1.888700 0.0589 X15 0.000037 0.000030 1.210655 0.0260 Nhận xét: Các biến X1, X7, X9, X13, X15 đều có P- value < 0.1 nên các biến này đều có ý nghĩa thống kê với mức ý nghĩa 10%. Vậy mô hình logistic đối với khách hàng doanh nghiệp vay vốn tại Vietinbank chi nhánh Ba Đình – Hà Nội là : Thay số ta được: Từ kết quả ước lượng mô hình logistic với các biến X1, X7, X9, X13, X15 ta có thể phân tích ảnh hưởng của các biến đến xác suất trả nợ được của doanh nghiệp thông qua công thức tính = pi(1-pi)βk Ngoài ra ta còn nhận thấy các biến X1 (quy mô doanh nghiệp), X7 (vòng quay vốn lưu động ), X13 (lãi gộp/doanh thu thuần), X15 (lợi nhuận sau thuế/vốn chủ sở hữu) có tác động dương đến xác suất trả nợ được của doanh nghiệp còn biến X9 (vòng quay trả nợ) lại có tác động ngược chiều với xác suất trả được nợ. Xét về ý nghĩa kinh tế điều này là hợp lý. Ứng dụng mô hình logistic dự báo hạng mức tín dụng doanh nghiệp Từ mô hình logistic đối với khách hàng doanh nghiệp vay vốn tại Vietinbank chi nhánh Ba Đình – Hà Nội là: Ta tính được xác suất trả được nợ của doanh nghiệp. Nhờ đó, ta có thể xếp hạng tín dụng doanh nghiệp theo mức xác suất như sau: Bảng 3.19: Xếp hạng tín dụng theo xác suất khả năng trả nợ pi Hạng tín dụng 0.9 - 1 AA+ 0.8 - 0.9 AA 0.7 - 0.8 AA- 0.6 - 0.7 BB+ 0.5 - 0.6 BB 0.4 - 0.5 BB- 0.3 - 0.4 CC+ 0.2 - 0.3 CC 0.1 - 0.2 CC- 0.0 - 0.1 C Áp dụng mô hình ước lượng tính xác suất vỡ nợ ở trên, ta tính xác suất trả nợ được của khách hành doanh nghiệp vay vốn tại Vietinbank sau đó quy đổi hạng theo bảng 3.19. Khi đó, ta có bảng xếp hạng tín dụng khách hàng doanh nghiệp theo mô hình logistic như sau: Bảng 3.20: Kết quả xếp hạng tín dụng khách hàng doanh nghiệp theo mô hình logistic và theo quy trình của Vietinbank Kí hiệu DN Mô hình logistic Ngân hàng Kí hiệu DN Mô hình logistic Ngân hàng S1 AA- AA- S90 AA+ AA+ S2 AA- AA- S91 AA- AA- S3 BB+ BB S92 BB+ BB+ S4 AA- AA- S93 BB BB+ S5 AA- AA- S94 AA AA S6 AA- AA- S95 BB+ BB+ S7 AA- AA- S96 AA- AA- S8 BB+ BB+ S97 AA AA S9 AA- BB+ S98 BB+ BB+ S10 AA- AA- S99 AA- AA- S11 BB+ BB+ S100 AA+ AA+ S12 AA AA S101 AA- AA- S13 AA AA- S102 AA- AA- S14 AA+ AA+ S103 BB+ BB+ S15 AA+ AA+ S104 AA- AA- S16 AA- AA- S105 BB+ BB+ S17 BB+ BB S106 AA+ AA+ S18 BB- BB- S107 AA- AA- S19 BB+ BB+ S108 AA AA S20 AA- AA- S109 AA- AA- S21 AA- AA- S110 AA AA S22 AA- AA- S111 AA AA S23 AA AA S112 AA AA S24 AA- AA- S113 AA- AA- S25 AA- AA- S114 AA AA S26 AA- AA- S115 AA AA S27 AA- AA- S116 BB BB S28 BB+ BB+ S117 BB+ BB+ S29 BB+ BB+ S118 AA AA S30 AA- AA- S119 AA+ AA+ S31 AA- AA- S120 BB BB S32 AA- AA- S121 AA AA S33 BB+ BB+ S122 BB+ BB+ S34 AA AA S123 AA AA S35 AA- AA- S124 BB+ BB+ S36 BB+ BB+ S125 BB+ BB+ S37 BB BB S126 AA AA S38 AA AA- S127 AA- AA- S39 AA AA S128 AA- AA- S40 BB+ BB S129 AA AA S41 AA+ AA+ S130 BB+ BB+ S42 AA AA S131 AA- AA- S43 AA- AA- S132 AA AA S44 AA- AA- S133 AA- AA- S45 AA- AA- S134 AA- AA- S46 BB+ BB+ S135 AA- AA- S47 AA- AA- S136 AA- AA- S48 AA- AA- S137 BB+ BB+ S49 BB+ BB+ S138 AA AA- S50 AA- AA- S139 BB BB S51 BB BB S140 AA AA S52 BB+ BB+ S141 BB+ BB+ S53 AA- AA- S142 AA AA S54 BB+ BB+ S143 AA AA S55 BB+ BB+ S144 AA AA S56 AA- AA- S145 AA AA S57 BB+ BB+ S146 BB+ BB+ S58 BB BB- S147 BB BB S59 BB BB S148 AA+ AA+ S60 AA+ AA+ S149 AA- AA- S61 AA+ AA+ S150 BB+ BB+ S62 BB+ BB+ S151 BB+ BB+ S63 BB+ BB+ S152 AA- AA- S64 AA AA S153 AA- AA- S65 AA AA S154 BB- BB- S66 BB+ BB+ S155 CC+ CC+ S67 AA- AA- S156 BB+ BB+ S68 BB BB S157 AA- AA- S69 AA- AA- S158 AA- AA- S70 BB+ BB+ S159 BB BB S71 AA- AA- S160 AA- AA- S72 BB BB S161 BB+ BB+ S73 AA- AA- S162 AA AA S74 AA- AA- S163 AA- AA- S75 BB+ BB+ S164 BB BB S76 AA- AA- S165 BB+ BB+ S77 AA AA S166 AA- AA- S78 AA AA S167 AA AA S79 BB+ BB+ S168 CC CC S80 AA AA S169 AA- AA- S81 AA- AA- S170 AA- AA- S82 BB BB S171 CC+ CC+ S83 BB+ BB+ S172 BB BB+ S84 BB BB S173 AA+ AA+ S85 AA- AA- S174 AA+ AA+ S86 AA+ AA+ S175 BB+ BB+ S87 AA- AA- S176 AA+ AA+ S88 BB+ BB+ S177 AA AA S89 AA- AA- S178 BB+ BB+ Nhận xét: Nhìn vào bảng kết quả xếp hạng tín dụng doanh nghiệp theo quy trình xếp hạng của Vietinbank xây dựng và theo mô hình logistic ta thấy trong 178 doanh nghiệp thì có 171 doanh nghiệp cho kết quả giống nhau và 7 doanh nghiệp có kết quả xếp hạng khác nhau và mức xếp hạng theo hai phương pháp này của 7 doanh nghiệp này chênh nhau 1mức. Vì vậy, xếp hạng tín dụng khách hàng doanh nghiệp theo hai phương pháp trên có sự sai khác không đáng kể và nguyên nhân có sự sai khác đó một phần do các chỉ tiêu phi tài chính tác động. Từ sự sai khác này ta có thể đánh giá khả năng chuyển đổi hạng của doanh nghiệp. Đánh giá khả năng chuyển đổi hạng của các doanh nghiệp Thông qua bài chuyên đề này đã cho ta thấy hai phương pháp XHTD theo mô hình Logistic và theo quy trình XHTD do Ngân hàng cổ phần Công thương Việt Nam xây dựng đều tồn tại những ưu nhược điểm khác nhau. Cụ thể : Mô hình logistic chỉ sử dụng một vài tham số định lượng và không đưa được dữ liệu định tính vào xem xét nên khó đảm bảo tính chính xác. Tuy nhiên, trên cơ sở bộ số liệu thực tế, mô hình này đã lượng hóa được rủi ro tín dụng của các doanh nghiệp chính là tính được xác suất vỡ nợ. Mô hình chấm điểm tín dụng do Ngân hàng cổ phần Công thương Việt Nam xây dựng không tính được xác suất vỡ nợ một cách trực tiếp nhưng nó đã sử dụng cả các chỉ tiêu định tính và các chỉ tiêu định lượng. Mặc dù, thông tin thu thập được chưa bao quát tất cả các thuộc tính liên quan đến việc xếp hạng này. Vì vậy, từ những ưu nhược điểm và kết quả XHTD của hai phương pháp trên cho ta thấy, hai mô hình này có thể bổ trợ cho nhau trong việc đưa ra quyết định cấp tín dụng đối với các doanh nghiệp. Ngoài ra, bảng xếp hạng tín dụng bằng mô hình logistic ở trên được ước lượng bởi một số chỉ tiêu tài chính có ảnh hưởng lớn nhất đến khả năng trả nợ của tất cả các khách hàng vay vốn tại Vietinbank nên bên cạnh những chỉ tiêu này thì mỗi doanh nghiệp hoạt động trên một lĩnh vực khác nhau sẽ chịu ảnh hưởng bởi những chỉ tiêu khác nhau. Vì vậy, đối với từng loại hình doanh nghiệp thì chúng ta có thể dự vào kết quả xếp hạng tín dụng của mô hình logistic và các chỉ số đặc trưng cho loại hình doanh nghiệp để dự đoán khả năng có thể chuyển đổi hạng của doanh nghiệp đó trong thời gian tới. Cụ thể như sau: Đối với những doanh nghiệp hoạt động trong lĩnh vực nông lâm ngư nghiệp thì hầu như quy mô khoản vay, quy mô doanh nghiệp đều nhỏ và kết quả hoạt động kinh doanh của những doanh nghiệp hoạt động trong lĩnh vực này phụ thuộc vào rất nhiều yếu tố khách quan như thời tiết, giá cả đầu vào và đầu ra biến động, dịch bệnh… điều này cho ta thấy mặc dù xác suất khả năng trả nợ của doanh nghiệp không cao (hạng tín dụng ở mức độ rủi ro) nhưng mục đích vay vốn của doanh nghiệp tốt ví dụ như để mở rộng sản xuất, kinh doanh, tạo công ăn việc làm và tăng thu nhập cho người dân ở vùng nông thôn…ngân hàng sẽ xem xét để đánh giá, dự báo khả năng nâng mức xếp hạng của doanh nghiệp lên và đưa ra quyết đinh cấp vốn. Đối với những doanh nghiệp hoạt động trong lĩnh vực xây dựng, công nghiệp và thương mại dịch vụ thì do đặc thù của ngành nên thường thì quy mô khoản vay rất lớn, quy mô của doanh nghiệp chủ yếu là vừa và lớn, xác suất đánh giá khả năng trả nợ của doanh nghiệp cao. Mặc dù xác suất trả nợ của doanh nghiệp cao nhưng nếu xảy ra rủi ro thì ngân hàng sẽ bị tổn thất nặng nề hơn so với việc cho các doanh nghiệp khác vay những khoản vay nhỏ. Vì vậy, ngân hàng cần xem xét, tính toán để đưa ra quyết định nên cho các doanh nghiệp nào vay vốn để khi xảy ra rủi ro thì tổn thất của ngân hàng là nhỏ nhất. Tức là nên cho doanh nghiệp có quy mô vay ít nhưng rủi ro vỡ nợ cao hơn những doanh nghiệp có quy mô vay cao nhưng rủi ro vỡ nợ thấp. Tóm lại, ngân hàng đưa ra quyết định có cấp tín dụng đối với doanh nghiệp hay không, nếu cấp thì cấp bao nhiêu, cấp như thế nào, lãi suất như thế nào, thời hạn vay ra sao? Như vậy, từ bảng xếp hạng tín dụng bằng mô hình logistic thì chúng ta cũng cần xem xét các yếu tố khách quan và các chỉ tiêu tài chính có ảnh hưởng trực tiếp đến lĩnh vực hoạt động của doanh nghiệp nói chung và doanh nghiệp nói riêng, chúng sẽ tác động như thế nào đến doanh nghiệp và dự đoán mức độ ảnh hưởng của các yếu tố đó đến khả năng chuyển đổi hạng của doanh nghiệp trong thời gian tới để đưa ra quyết đinh cấp tín dụng. Ví dụ như một doanh nghiệp bị xếp hạng BB nhưng xét về bản kế hoạch vay vốn của doanh nghiệp cho ta thấy rất tốt và nếu được vay vốn của ngân hàng thì doanh nghiệp có tiềm năng phát triển rất tốt thì ngân hàng cần suy tính để đưa ra quyết định cho vay; hoặc một doanh nghiệp được xếp hạng loại AA nhưng kế hoạch vay vốn không khả thi thì ngân hàng cũng cần xem xét để đưa ra quyết định không cho vay hay cho vay ít hơn hoặc cho vay với lãi suất cao hơn. KẾT LUẬN VÀ KIẾN NGHỊ Hoạt động tín dụng của NHTM Việt Nam hiện nay đang phát triển mạnh mẽ và nó đã trở thành một yếu tố không thể thiếu được đối với nền kinh tế. Tuy nhiên trong hoạt động tín dụng thì rủi ro tín dụng là điều không thể tránh khỏi đối với mỗi Ngân hàng. Chính vì vậy việc xếp hạng khách hàng là rất cần thiết, giúp các Ngân hàng hạn chế được phần nào rủi ro, quản lý được khách hàng…Vì vậy, hiện nay việc đổi mới hoạt động theo hướng nâng cao hiệu quả tín dụng phải được coi là khâu then chốt trong tiến trình đổi mới chung của ngành ngân hàng. Nhưng phương pháp XHTD của các Ngân hàng dựa trên việc chấm điểm các chỉ tiêu tài chính và các chỉ tiêu phi tài chính nên không dự báo, và không tìm được những nhân tố nào ảnh hưởng nhiều hay ít tới vị trí xếp hạng. Để khắc phục được điều này ta dùng mô hình Logit ước lượng xác suất có nợ không đủ tiêu chuẩn, mô hình có thể thường xuyên được cập nhật và ước lượng khá đơn giản. Vì vậy các CBTD nên kết hợp sử dụng mô hình Logit và thực hiện chấm điểm tín dụng để xếp hạng doanh nghiệp nhằm đảm bảo hơn cho việc đánh giá xếp hạng phía Ngân hàng. Từ đó, làm căn cứ đưa ra các quyết định cấp tín dụng đối với doanh nghiệp Qua thời gian nghiên cứu đề tài và thực tập giúp em hiểu thêm kiến thức thực tế về vấn đề rủi ro tín dụng, xếp hạng tín dụng trong hoạt động chi vay của ngân hàng và hiểu sâu thêm về kiến thức chuyên ngành mà mình đã học. Tuy nhiên, do vấn đề nghiên cứu phức tạp và với kiến thức còn hạn chế, kinh nghiệm thực tế về lĩnh vực này của em còn nhiều hạn hẹp nên đề tài không tránh khỏi những thiếu sót. Vì vậy, em rất mong nhận được sự đóng góp ý kiến của các thầy cô giáo cùng các bạn để hoàn thiện hơn nữa chuyên đề này. Em xin chân thành cảm ơn! TÀI LIỆU THAM KHẢO [1] PGS.TS.Nguyễn Quang Dong (2006), Giáo trình Kinh tế lượng, NXB Khoa học và kỹ thuật. [2] PGS.TS Phan Thị Thu Hà (2007), Giáo trình Ngân hàng thương mại, NXB Đại học kinh tế quốc dân. [3] PGS.TS Ngô Văn Thứ, ThS. Dương Thị Thanh Mai, ThS. Trần Thanh Bình biên soạn (2002), Giáo trình kinh tế lương phân tích và ứng dụng, NXB thống kê. [4] TS.Nguyễn Minh Kiều (2008), Tài chính doanh nghiệp, NXB Thống kê. [5] Hoàng Tùng (2011), Phân tích rủi ro tín dụng doanh nghiệp bằng mô hình Logistic, Tạp chí khoa học và công nghệ số 2- Đại học Đà Nẵng. [ 6 ] Vietinbank, Sổ tay tín dụng của Ngân hàng cổ phần Công thương Việt Nam. Địa chỉ web: www.vietinbank.vn www.saga.vn www.rating.com.vn www.tapchiketoan.com.vn

Các file đính kèm theo tài liệu này:

  • docxhtd_khach_hang_doanh_nghiep_vay_von_tai_ngan_hang_co_phan_cong_thuong_viet_nam_chi_nhanh_ba_dinh_bang_mo_hinh_logistic_4337.doc
Luận văn liên quan