Đề tài Vận dụng eviews và spss vào mô hình xếp hạng tín dụng cá nhân tại ngân hàng đầu tư và phát triển Việt Nam chi nhánh Nam Sài Gòn

CHƯƠNG 1 GIỚI THIỆU Chương này sẽ trình bày về lý do đề tài nghiên cứu được thực hiện, xác định mục tiêu, đối tượng và phương pháp làm cơ sở cho toàn bộ quá trình nghiên cứu của đề tài. Lý do chọn đề tài Việt Nam có trên 84 triệu dân, với đa số là ở độ tuổi trẻ, có thu nhập, phong cách sống hiện đại và có nhu cầu mua sắm lớn. Xu hướng tiêu dùng trước, trả sau tăng nhanh, nhất là ở 2 thành phố lớn Hà Nội và Hồ Chí Minh. Chính vì thế, các sản phẩm tín dụng bán lẻ của các ngân hàng được triển khai trong thời gian gần đây dù còn mới mẻ nhưng đều được khách hàng rất quan tâm và thu được không ít thành công. Đây là thị trường tiềm năng rất lớn nên sự cạnh tranh giữa các ngân hàng rất gay gắt. Để có thể rút ngắn quá trình xét duyệt cho vay, đồng thời hạn chế rủi ro cho ngân hàng, tăng sức cạnh tranh trong ngành, đề tài mong muốn xây dựng mô hình đánh giá xếp hạng tín dụng phù hợp với thực tế, giảm bớt rủi ro do tính chủ quan của chuyên viên tín dụng trong việc ta quyết định cho vay, đưa ra thêm một phương pháp đánh giá xếp hạng tín dụng mới cho những người quan tâm tham khảo. Mục tiêu nghiên cứu của đề tài Tìm hiểu các phương pháp đánh giá xếp hạng tín dụng cá nhân trên thế giới. Tìm hiểu hệ thống đánh giá xếp hạng tín dụng cá nhân tại ngân hàng đầu tư và phát triển Việt Nam Chi nhánh Nam Sài Gòn. Ứng dụng mô hình Logit trong việc đánh giá xếp hạng tín dụng cá nhân, đề xuất mô hình phù hợp. Tìm ra ảnh hưởng biên của các yếu tố tác động đến khả năng trả nợ đúng hạn của khách hàng. Đối tượng và phương pháp nghiên cứu Đối tượng Đối tượng nghiên cứu là hệ thống XHTD cá nhân. Đối tượng khảo sát chính là những KH vay vốn của BIDV. Phương pháp nghiên cứu Dữ liệu nghiên cứu được lấy từ tháng 10/2008 đến tháng 02/2010 về thông tin của 137 KH sử dụng thẻ tín dụng NH. Sau khi lấy bộ dữ liệu về thì dữ liệu sẽ được mã hóa rồi sử dụng phần mềm Eviews sử dụng thống kê mô tả,chạy mô hình Logit để phân tích dữ liệu. Ý nghĩa của đề tài Kết quả nghiên cứu của đề tài sẽ góp thêm cơ sở khoa học cho các tổ chức tài chính, và các cá nhân liên quan, đặc biệt là BIDV trong quá trình hoạt động kinh doanh và quản lý rủi ro của mình. Kết cấu của đề tài Ngoài phần kết luận và các danh mục, phụ lục kèm theo, đề tài gồm 4 chương: - Chương 1: Tổng quan, - Chương 2: Cơ sở lý thuyết, Kinh nghiệm trên thế giới và thực tiễn XHTD ở Việt Nam. - Chương 3:, Phân tích, giới thiệu về việc lựa chọn biến, trình bày về mô hình Logit. - Chương 4: Hồi quy mô hình Logit với các biến được chọn, đề xuất mô hình XHTDCN. CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VỀ XẾP HẠNG TÍN DỤNG Chương này sẽ đem lại những hiểu biết cơ bản về quá trình hình thành và phát triển của việc xếp hạng tín dụng. Từ những kinh nghiệm thu thập lại trong quá trình làm việc nhiều năm của các cán bộ tín dụng để hình thành nên các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng, Ngoài ra, chương này còn cung cấp các nghiên cứu trước đây về việc xếp loại các chỉ tiêu ảnh hưởng lên khả năng trả nợ của khách hàng, cũng như phương pháp xếp hạng tín dụng bằng mô hình hồi quy Logit. Tổng quan về xếp hạng tín dụng Lịch sử ra đời và phát triển Mô hình định mức tín nhiệm thể nhân ra đời cách đây hơn 50 năm. Theo các mô hình này các cá nhân có nhu cầu thế chấp mua nhà, vay trả chậm dùng thẻ tín dụng sẽ được đánh giá và lượng hóa khả năng thanh toán của cá nhận đó bằng thang điểm tín dụng. Mức điểm thu được cho biết mức độ rủi ro tương đối của khả năng thanh toán và khả năng gây thiệt hại của khách hàng đối với người cho vay. Mức điểm dựa trên thông tin có được từ các báo cáo về quá trình sử dụng khoản tín dụng của khách hang, đồng thời so sánh với những khách hàng tương tự. Các khái niệm về xếp hạng tín dụng Xếp hạng tín dụng (credit ratings) là thuật ngữ do Moody đưa ra năm 1909 trong cuốn “Cẩm nang chứng khoán đường sắt”, khi tiến hành nghiên cứu, phân tích và công bố bảng xếp hạng tín dụng đầu tiên cho 1500 trái phiếu của 250 công ty theo một hệ thống ký hiệu gồm 3 chữ cái A, B, C được xếp lần lượt từ (AAA) đến (C). Hiện nay, những ký hiệu này trở thành chuẩn mực quốc tế. Ở Việt Nam thuật ngữ xếp hạng tín dụng đang tồn tại nhiều tên gọi như: xếp hạng tín nhiệm, xếp hạng doanh nghiệp, định dạng tín dụng, xếp hạng KH. Trong đề tài này tác giả dùng thuật ngữ “xếp hạng tín dụng” (XHTD). Khái niệm về XHTD có thể được khái quát một cách đơn giản như sau XHTD có nghĩa là việc phân loại, sắp xếp một đối tượng vào các nhóm KH trên cơ sở đo lường rủi ro tín dụng. Hệ thống XHTD dùng để đánh giá mức độ tín nhiệm đối với trách nhiệm tài chính của cả 2 nhóm KH doanh nghiệp và KH cá nhân (thể nhân). Trong phạm vi bài nghiên cứu này, tác giả tập trung phân tích và nghiên cứu hệ thống XHTD dành cho nhóm KH cá nhân. Tầm quan trọng của xếp hạng tín dụng cá nhân Thứ nhất, tính chính xác: cung cấp mức độ rủi ro cho người cho vay, tùy thuộc vào mức độ chấp nhận rủi ro của người cho vay mà ra quyết định cho vay hay không. Thứ hai, tốc độ, hiệu quả và chi phí: mô hình xếp hạng tín dụng được hoàn thiện và được mã hóa thành những phần mềm chuyên biệt đã làm cho việc ra quyết định cho vay diễn ra nhanh hơn dẫn đến giảm chi phí khi xem xét cũng như ra quyết định cho vay. Thứ ba, sự công bằng: mô hình xếp hạng tín dụng cho kết quả một cách công bằng hơn là việc ra quyết định phán xét cá nhân của người cho vay (loại bỏ hoàn toàn các yếu tố về giới tính, tôn giáo, quốc tịch…). Thứ tư, mức độ tin cậy: mô hình xếp hạng tín dụng FICO đã được kiểm định và cho thấy rằng việc sử dụng mô hình xếp hạng tín dụng tạo ra sự công bằng, đáng tin cậy đồng thời giảm thiểu rủi ro tín dụng hơn là việc ra quyết định độc lập của người cho vay. Thứ năm, tính kiên định: mô hình được mã hóa với một số biến nhất định, chỉ đưa ra một kết quả duy nhất, với người cho vay khi xem xét ra quyết định cho vay lại bị ảnh hưởng của nhiều yếu tố xung quanh dẫn đến việc ra quyết định sai. Một số nghiên cứu và kinh nghiệm xếp hạng tín nhiệm thể nhân trên thực tế Tình huống nghiên cứu của Vương Quân Hoàng Tác giả thực hiện hồi quy nhị phân Logistic trên tập mẫu thu thập được với các biến cho vào mô hình như sau: Bảng 2.1: Các đặc trưng của khách hàng Ký hiệu Ý nghĩa X01 Tuổi tác X02 Trình độ học vấn X03 Loại hình công việc X04 Thời gian công việc X05 Mức thu nhập hàng tháng X06 Tình trạng hôn nhân X07 Nơi cư trú X08 Thời gian cư trú X09 Số người sống phụ thuộc X10 Phương tiện đi lại X11 Phương tiện thông tin X12 Chênh lệch giữa thu nhập và chi tiêu X13 Giá trị tài sản khách hàng X14 Giá trị các khoản nợ X15 Quan hệ với Techcombank X16 Uy tín trong giao dịch Nguồn: Vương Quân Hoàng, 2006, Phương pháp thống kê xây dựng mô hình định mức tín nhiệm khách hàng thể nhân Dạng mô hình hồi quy Logit: Trong đó là xác suất của quan sát x Mô hình hồi quy Logit có các hệ số hồi quy như sau: = -1.238151X1 - 0.591102X2 - 1.371960X3 + 3.240103X5 - 1.833702X6 - 8.070600X7 - 5.336831X8 - 1.091686X9 - 1.508460X10 - 18.28262X11 +5.670182X12+ 3.595030X13 - 0930329X14 - 1.482391X15 Trong đó X4 và X16 là những biến không có ý nghĩa thống kê khi đưa vào mô hình. Dựa vàp tập mẫu gồm 1727 quan sát tác giả đã đưa ra mô hình hồi quy Logit như trên với việc dự đoán chinh xác rất cao 99.25%. Mô hình điểm số tín dụng cá nhân của FICO Fair Isaac Corp đã xây dựng mô hình điểm số tín dụng FICO thấp nhất là 300 và cao nhất là 850 áp dụng cho cá nhân dựa vào tỷ trọng của 5 chỉ số phân tích dưới đây. Bảng 3.11 : Tỷ trọng các tiêu chí đánh giá trong mô hình điểm số tín dụng FICO. Tỷ trọng Tiêu chí đánh giá 35% Lịch sử trả nợ (Payment history) : Thời gian trễ hạn càng dài và số tiền trễ hạn càng cao thì điểm số tín dụng càng thấp. 30% Dư nợ tại các tổ chức tín dụng (Amounts owed) : Nợ quá nhiều so với mức cho phép đặc biệt là đối với thẻ tín dụng sẽ làm giảm điểm số tín dụng. 15% Độ dài của lịch sử tín dụng (Length of credit history) : Thông tin càng nhiều năm càng đáng tin cậy và điểm số tín dụng sẽ càng cao. 10% Số lần vay nợ mới (New credit) : Vay nợ thường xuyên bị xem là dấu hiệu có khó khăn về tài chính nên điểm số tín dụng càng thấp. 10% Các loại tín dụng được sử dụng (Types of credit used) : Các loại nợ khác nhau sẽ được tính điểm số tín dụng khác nhau. (Nguồn Mô hình điểm số tín dụng FICO được áp dụng rộng rãi tại. Theo mô hình của FICO thì người có điểm số tín dụng ở mức 700 được xem là tốt, đối với cá nhân có điểm số tín dụng thấp hơn 620 sẽ có thể bị ngân hàng e ngại khi xét cho vay. GIỚI THIỆU BIDV CHI NHÁNH NAM SÀI GÒN Tư cách pháp lý, nội dung và phạm vi hoạt động Tư cách pháp lý Tên tiếng Việt: CHI NHÁNH NGÂN HÀNG ĐẦU TƯ VÀ PHÁT TRIỂN NAM SÀI GÒN · Tên giao dịch quốc tế bằng tiếng Anh : Bank for Investerment and Development of Vietnam, South Saigon Branch · Viết tắt bằng tiếng Anh : BIDV, South Saigon Branch Chi nhánh Ngân hàng Đầu tư và Phát triển Nam Sài Gòn là chi nhánh cấp 1 trực thuộc Ngân hàng Đầu tư và Phát triển Việt Nam, là đại diện pháp nhân của NHĐT&PT VN, có con dấu, có bảng tổng kết tài sản, có nhiệm vụ thực hiện các hoạt động của NHĐT&PT VN theo ủy quyền của Tổng giám đốc NHĐT&PT VN, là đơn vị hạch toán phụ thuộc trong hệ thống NHĐT&PT VN. Chi nhánh Ngân hàng Đầu tư và Phát triển Nam Sài Gòn được thành lập theo Quyết định của Hội đồng quản trị NHĐT&PT VN trên cơ sở chấp thuận của Thống đốc Ngân hàng Nhà nước. Lựa chọn địa điểm Qua khảo sát, Sở giao dịch II đã lựa chọn điểm đặt trụ sở của Chi nhánh Nam Sài Gòn tại số 01 Đinh Lễ - Quận 4 – TP HCM với diện tích: 1.000m2. Nội dung hoạt động Huy động vốn Huy động vốn dài hạn, trung hạn, ngắn hạn bằng Đồng Việt Nam và bằng ngoại tệ từ mọi nguồn vốn trong nước dưới các hình thức: Nhận tiền gửi tiết kiệm không kỳ hạn và có kỳ hạn, tiền gửi thanh toán của các tổ chức và dân cư ; Thực hiện các hình thức huy động vốn khác; Phát hành chứng chỉ tiền gửi, kỳ phiếu, trái phiếu khi được Tổng giám đốc Ngân hàng Đầu tư và Phát triển Việt Nam giao. Nghiệp vụ tín dụng Cho vay dài hạn, trung hạn và ngắn hạn bằng Đồng Việt Nam và bằng ngoại tệ đối với các tổ chức, cá nhân phù hợp với quy định của Pháp luật và Quy định của Ngân hàng Đầu tư và Phát triển Việt Nam. Chiết khấu giấy tờ có giá, thực hiện các nghiệp vụ bảo lãnh Ngân hàng. Thực hiện các loại hình tín dụng khác khi được Tổng giám đốc Ngân hàng Đầu tư và Phát triển Việt Nam giao. Hoạt động dịch vụ Thực hiện các nghiệp vụ thanh toán trong nước, quốc tế; dịch vụ thu và chi tiền mặt. Thực hiện nghiệp vụ mua bán ngoại tệ; dịch vụ ngân hàng đại lý. Thực hiện các dịch vụ thanh toán khác theo ủy quyền của Tổng giám đốc Ngân hàng Đầu tư và Phát triển Việt Nam. Các hoạt động khác: Quản lý vốn đầu tư cho các dự án theo yêu cầu khách hàng. Thực hiện dịch vụ giữ hộ các giấy tờ có giá và các tài sản quý của khách hàng. Kinh doanh vàng bạc, kim khí quý, đá quý. Các nghiệp vụ Ngân hàng đối ngoại và các nghiệp vụ khác do Tổng giám đốc Ngân hàng Đầu tư và Phát triển Việt Nam giao. Chức năng phòng Quản lý rủi ro: Công tác quản lý tín dụng: - Tham mưu đề xuất chính sách, biện pháp phát triển và nâng cao hoạt động tín dụng. - Quản lý, giám sát, phân tích, đánh giá rủi ro tiềm ẩn đối với danh mục tín dụng của chi nhánh; duy trì và áp dụng hệ thống đánh giá, xếp hạng tín dụng vào việc quản lý danh mục. - Đầu mối nghiên cứu, đề xuất trình lãnh đạo phê duyệt hạn mức, điều chỉnh hạn mức, cơ cấu, giới hạn tín dụng cho từng ngành, từng nhóm và từng khách hàng. - Đầu mối đề xuất trình Giám đốc kế hoạch giảm nợ xấu của Chi nhánh, của khách hàng và phương án cơ cấu lại các khoản nợ vay của khách hàng theo quy định. - Giám sát việc phân loại nợ và trích lập dự phòng rủi ro; tổng hợp kết quả phân loại nợ và trích lập dự phòng rủi ro gửi Phòng tài chính kế toán để lập cân đối kế toán theo quy định. - Thực hiện việc xử lý nợ xấu. Công tác quản lý rủi ro tín dụng: - Tham mưu, đề xuất xây dựng các quy định, biện pháp quản lý rủi ro tín dụng. - Trình lãnh đạo cấp tín dụng/bảo lãnh cho khách hàng. - Phối hợp, hỗ trợ Phòng Quan hệ khách hàng để phát hiện, xử lý các khoản nợ có vấn đề. - Chịu trách nhiệm hoàn toàn về việc thiết lập, vận hành, thực hiện và kiểm tra, giám sát hệ thống quản lý rủi ro của Chi nhánh. Công tác quản lý rủi ro tác nghiệp: - Phổ biến các văn bản quy định, quy trình về quản lý rủi ro tác nghiệp của BIDV và đề xuất, hướng dẫn các chương trình, biện pháp triển khai để phòng ngừa. - Hướng dẫn, hỗ trợ các phòng nghiệp vụ trong Chi nhánh tự kiểm tra và phối hợp thực hiện việc đánh giá, rà soát, phát hiện rủi ro tác nghiệp ở các phòng. Mô hình tổ chức Chi nhánh Nam Sài Gòn được triển khai theo mô hình Chi nhánh hỗn hợp gồm 04 khối (8 Phòng /Tổ) và khối Đơn vị trực thuộc: gồm các Phòng giao dịch, Quỹ Tiết kiệm. Ban Giám đốc Khối Quan hệ khách hàng Khối QLRR Khối tác nghiệp Khối quản lý nội bộ Phòng QHKH Khối đơn vị trực thuộc Phòng QLRR Phòng DVKH Phòng QL và DV Kho quỹ Phòng Tổ chức Hành chính Phòng Kế hoạch - Tổng hợp PGD Phòng Quản trị tín dụng Máy ATM Phòng Tài chính - Kế toán Quỹ Tiết kiệm Hệ thống xếp hạng tín dụng của BIDV: Ngân hàng đầu tư và phát triển Việt Nam (BIDV) xây dựng hệ thống XHTD theo nguyên tắc hạn chế tối đa ảnh hưởng chủ quan của các chỉ tiêu tài chính bằng cách thiết kế các chỉ tiêu phi tài chính, và cung cấp những hướng dẫn chi tiết cho việc đánh giá chấm điểm. Đây là một trong những NHTM tại Việt nam đi đầu trong áp dụng phân loại nợ theo Điều 7 của Quyết định 493/2005/QĐ-NHNN. Quy trình chấm điểm khách hàng Xác định nhân thân Xác định khả năng trả nợ Tổng hợp điểm và quyết định Đánh giá Tài sản đảm bảo Xếp loại khách hàng Bước 1 Bước 3 Bước 2 Bước 4 Bước 1: Các chỉ tiêu, điểm ban đầu, trọng số từng chỉ tiêu được trình bày trong bảng sau: Bảng: Các chỉ tiêu chấm điểm cá nhân của BIDV Chỉ tiêu Điểm ban đầu Trọng số 100 75 50 25 0 Phần I: Thông tin về nhân thân 1 Tuổi 36 -55 26-35 56-60 20-25 >60 hoặc 18-20 10% 2 Trình độ học vấn Trên đại học Đại học Cao đẳng Trung học Dưới trung học 10% 3 Tiền án, tiền sự Không Có 10% 4 Tình trạng cư trú Chủ sở hữu Nhà chung cư Với gia đình Thuê Khác 10% 5 Số người ăn theo <3 người 3 người 4 người 5 người > 5 người 10% 6 Cơ cấu gia đình Hạt nhân Sống với cha mẹ Sống cùng gia đình khác Khác 10% 7 Bảo hiểm nhân mạng >100 triệu 50-100 triệu 30-50 triệu <30 triệu 10% 8 Tính chất công việc hiện tại Quản lí, điều hành chuyên môn Lao động được đào tạo nghề Lao động thời vụ Thất nghiệp 10% 9 Thời gian làm công việc hiện tại >7 năm 5-7 năm 3-5 năm 1-3 năm <1năm 10% 10 Rủi ro nghề nghiệp Thấp Trung bình Cao 10% Phần II: Thông tin về khả năng trả nợ của khách hàng: 1 Thu nhập ròng ổn định hàng tháng >10 triệu 5-10 triệu 3-5 triệu 1-3 triệu <1 triệu 30% 2 Tỷ lệ số tiền phải trả/ thu nhập < 30% 30-45% 45-60% 60-75% >75% 30% 3 Tình hình trả nợ gốc và lãi Luôn trả nợ đúng hạn Đã bị gia hạn nợ, hiện trả nợ tốt Đã có nợ quá hạn/ Khách hàng mới Đã có nợ quá hạn, khả năng trả nợ không ổn định Hiện đang có nợ quá hạn 20% 4 Các dịch vụ sử dụng Tiền gửi và các dịch vụ khác Chỉ sử dụng dịch vụ thanh toán Không sử dụng 15% Nguồn: Ngân hàng đầu tư và phát triển Việt Nam Bước 2: Căn cứ vào tổng điểm đạt được đã nhân với trọng số để xếp hạng khách hàng cá nhân theo mười mức giảm dần từ AAA đến D. Với mỗi mức xếp hạng sẽ có cách đánh giá rủi ro tương ứng. Bảng: Hệ thống ký hiệu XHTD cá nhân của BIDV Điểm Xếp hạng Đánh giá xếp hạng 95 – 100 AAA Rủi ro thấp 90 – 94 AA 85 - 89 A 80 – 84 BBB Rủi ro trung bình 70 – 79 BB 60 – 69 B 50 – 59 CCC Rủi ro cao 40 – 49 CC 35 – 39 C < 35 D (Nguồn : Ngân hàng đầu tư và phát triển Việt Nam) Bước 3: Việc đánh giá tài sản đảm bảo cũng được chấm điểm theo ba chỉ tiêu là loại tài sản, tỷ suất giữa giá trị tài sản so với khoản vay, rủi ro gảm giá trị tài sản đảm bảo: Bảng: Các chỉ tiêu chấm điểm tài sản đảm bảo của BIDV Chỉ tiêu Điểm 100 75 50 25 0 1 Loại tài sản đảm bảo Tài khoản tiền gửi, giấy tờ có giá do Chính phủ hoặc BIDV phát hành Giấy tờ có giá do tổ chức phát hành (trừ cổ phiếu) Bất động sản (nhà ở) Bất động sản (không phải nhà ở), động sản, cổ phiếu Không có tài sản đảm bảo 2 Giá trị tài sản đảm bảo/ Tổng nợ vay > 200% 150 – 200% 100 – 150% 70 – 100% < 70% 3 Rủi ro giảm giá tài sản đảm bảo trong 2 năm gần đây 0% hoặc có xu hướng tăng 1 – 10% 10 – 30% 30 – 50% > 50% (Nguồn : Ngân hàng đầu tư và phát triển Việt Nam) Bước 4: Căn cứ vào tổng điểm đã chấm cho tài sản đảm bảo để xếp loại A, B, C: Bảng: Hệ thống ký hiệu đánh giá tài sản đảm bảo của BIDV Điểm Mức xếp loại Đánh giá tài sản đảm bảo 225-300 A Mạnh 75-224 B Trung bình <75 C Thấp (Nguồn: Ngân hàng đầu tư và phát triển Việt Nam) Mô hình xếp hạng khoản vay cá nhân trong hệ thống XHTD của BIDV là một ma trận kết hợp giữa kết quả XHTD với kết quả đánh giá tài sản đảm bảo: Bảng: Ma trận kết hợp giữa kết quả XHTD với kết quả đánh giá tài sản đảm bảo của BIDV Đánh giá TSĐB XHTD A B C AAA Xuất sắc Tốt Trung bình AA A BBB Tốt Trung bình Trung bình/ Từ chối BB B CCC Trung bình/ Từ chối Từ chối CC C D (Nguồn : Ngân hàng đầu tư và phát triển Việt Nam) Chương 3 Khung phân tích Chương này sẽ trình bày các bước trong quá trình hình thành mô hình nghiên cứu xếp hạng tín dụng cá nhân. Thứ nhất, trình bày về nguồn dữ liệu nghiên cứu, cách thức sẽ thực hiện phân tích. Thứ hai, là việc lựa chọn biến trong quá trình phân tích, ý nghĩa thực tế của các biến này ra sao. Thứ ba, trình bày lý thuyết về mô hình được sử dụng nghiên cứu trong đề tài này. Phương pháp nghiên cứu Đề tài sử dụng bộ dữ liệu gồm 52 mẫu quan sát là những khách hàng cá nhân của BIDV từ năm 2007 đến năm 2009 để tiến hành nghiên cứu. Sử dụng SPSS làm sạch dữ liệu, sử dụng thống kê mô tả dữ liệu để có cái nhìn tổng quát về những thông tin đặc trưng về khách hàng thu thập được. Sau khi lựa chọn biến thích hợp, tiến hành sử dụng phần mềm Eviews để hồi quy các biến theo mô hình Logit để tìm ra tác động biên của từng yếu tố riêng biệt của khách hàng ảnh hưởng đến khả năng trả nợ như thế nào. Lựa chọn biến cho mô hình Các biến được lựa chọn như sau: Biến phụ thuộc Trong nghiên cứu này biến phụ thuộc (Y) được lựa chọn như sau: Yi = 1 nếu KH có khả năng đảm bảo trả nợ. Yi = 0 nếu KH không có khả năng trả được toàn bộ nợ cho NH. Biến độc lập sử dụng trong nghiên cứu STT Chỉ tiêu Thang đo Giả thiết Ký hiệu 1 Giới tính 1: Nam – 0: Nữ +/- X1 2 Tuổi Tuổi - X2 3 Trình độ đại học (ĐH) 1: Từ ĐH trở lên – 0: Dưới ĐH + X3 4 Tiền án 1: Có – 0: Không - X4 5 Bảo hiểm nhân mạng 1: Có – 0: Không + X5 6 Tình trạng cư trú Sở hữu nhà 1: Có – 0: Không + X6 Thuê nhà 1: Có – 0: Không - X7 7 Tình trạng hôn nhân 1: Có gia đình – 0:Độc thân - X8 8 Số người phụ thuộc Người - X9 9 Chức vụ công việc Lãnh đạo 1: Có – 0: Không + X10 Trưởng bộ phận 1: Có – 0: Không + X11 Nhân viên 1: Có – 0: Không - X12 10 Rủi ro nghề nghiệp 1: Có – 0: Không - X13 11 Thời gian cư trú Tháng + X14 12 Thời gian làm việc Tháng + X15 13 Thu nhập hàng tháng Triệu đồng + X16 14 Lịch sử tín dụng 1: Có nợ – 0: Không có thông tin - X17 15 Số dịch vụ khác đang sử dụng Số dịch vụ + X18 16 Tiết kiệm hàng tháng Triệu đồng + X19 17 Giá trị tài sản đảm bảo Triệu đồng + X20 18 Loại hình công ty Công ty thuộc nhà nước 1: Có – 0: Không + X21 Công ty vốn nước ngoài 1: Có – 0: Không + X22 Công ty khối tài chính 1: Có – 0: Không + X23 Doanh nghiệp Việt Nam 1: Có – 0: Không - X24 Mô hình hồi quy Logit Hồi quy Logistic là mô hình hồi quy đặc biệt khi biến phụ thuộc là một biến nhị phân chỉ nhận hai giá trị 0 và 1. Mô hình hồi quy này sử dụng để dự đoán xác suất để xảy ra một sự việc dựa vào thông tin các biến độc lập trong mô hình. Xác suất: là khả năng để sự việc xảy ra, ký hiệu là P Odds là tỷ lệ so sánh giữa hai xác suất: xác suất xảy ra sự việc và không xảy ra. Khi chúng ta có biến phụ thuộc chỉ có hai lựa chọn: Y = 1, Y = 0, và xác suất để sự việc đó xảy ra ký hiệu là P (Y = 1) = P. Các nhà thống kê thường sử dụng một đại lượng quen thuộc là Odds của sự việc xảy ra, chứ không phải là xác suất để sự việc đó xảy ra Như vậy, theo công thức này thì Odds là một hàm số theo P. Odss >= 0, và Odds sẽ không xác định khi P = 1. Từ công thức trên, ta có: Như vậy, xác suất P là một hàm số theo Odds. Ta có P là xác suất xảy ra sự kiện, thì (1 – P) là xác suất không xảy ra sự kiện, xác suất P được đo lường như sau: Với , Odds của 2 trường hợp trên là: Lấy Log cơ số e của Odds ta có dạng hàm mô hình hồi quy Logit: Với : là các biến độc lập Tác động biên của biến thứ k Ý nghĩa: khi thay đổi Xk một đơn vị thì xác suất để cho Y = 1 (cũng chính là Pi) sẽ thay đổi Pi.(1 - Pi).k. Sự thay đổi xác suất theo giải thích này phụ thuộc vào hai yếu tố. Yếu tố thứ nhất là dấu của hệ số k. Nếu hệ số mang dấu (+) thì có nghĩa là khi tăng biến Xk sẽ tác động làm tăng xác suất cho Y = 1 và ngược lại. Yếu tố thứ hai là sự thay đổi xác suất cho Y = 1 khi thay đổi Xk sẽ lại phụ thuộc vào giá trị cụ thể của Xk, có nghĩa là việc tăng (giảm) xác suất Pi khi thay đổi Xk sẽ không cố định mà nó sẽ thay đổi tương ứng với giá trị của biến Xk và sự thay đổi này nằm trong phạm vi của điều kiện cơ bản của xác suất là Mối quan hệ giữa tác động biên của xác suất biến phụ thuộc tăng lên từ P0 lên P1 khi thay đổi một đơn vị của Xk : Trong đó, P0 là xác suất khởi điểm: Trong đó, P1 là xác suất khi Xk tăng thêm một đơn vị Từ 2 phương trình trên ta có: Thay vào (1) Từ mối quan hệ này chúng ta có thể xây dựng kịch bản cho sự thay đổi của xác suất khi thay đổi một đơn vị của biến Xk, sự thay đổi này bằng cách quan sát chênh lệch của P0 và P1, chúng ta lấy P1- P0 sẽ tìm ra sự thay đổi của xác suất khi thay đổi một đơn vị của Xk. Ưu điểm của cách mô phỏng này cho chúng ta thấy được sự thay đổi xác suất cụ thể, còn cách lý giải tác động biên về xác suất ở phần trước chỉ mang tính định tính. Kiểm định mô hình hồi quy Độ phù hợp của mô hình Chúng ta dựa vào chỉ tiêu LL (log likelihood), thước đo này có ý nghĩa giống như SSE (Sum of squares of error) nghĩa là có giá trị càng nhỏ càng tốt. Giá trị nhỏ nhất của LL là 0 (tức là không có sai số) khi đó mô hình có một độ phù hợp hoàn hảo. Ngoài ra chúng ta còn có thể dựa vào bảng dự báo theo các mức xác suất chuẩn C tùy thích bằng Eviews để xác định mô hình dự đoán tốt đến đâu. Đây là bảng so sánh số trị số thực và trị số dự đoán cho từng biểu hiện và tính tỷ lệ dự đoán đúng sự kiện. Kiểm định ý nghĩa của các hệ số Hồi quy Logit sử dụng đại lượng Wald Chi square để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Wald Chi square được tính bằng cách lấy ước lượng của hệ số hồi quy của biến độc lập trong mô hình (hệ số hồi quy mẫu) logit chia cho sai số chuẩn của ước lượng hệ số hồi quy này, sau đó lấy bình phương như sau: Kiểm định độ phù hợp tổng quát Trong hồi quy Logit, tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình ngoại trừ hằng số cũng được kiểm định xem có thực sự có ý nghĩa trong việc giải thích cho biến phụ thuộc không. Với hồi quy tuyến tính bội ta dùng thống kê F để kiểm định giả thuyết: . Tuy nhiên trong hồi quy Logit ta sử dụng kiểm định Chi - bình phương. Với mức Sig < 0.05 ta bác bỏ giả thuyết H0, chấp nhận giả thuyết H1 tức là các hệ số hồi quy khác nhau có ý nghĩa thống kê và các hệ số đều thực sự có ý nghĩa trong việc giải thích biến phụ thuộc. CHƯƠNG 4 KẾT QUẢ NGHIÊN CỨU Thống kê mô tả Trong mẫu của nghiên cứu gồm 140 KH, loại 4 KH do khuyết dữ liệu, còn lại đều là KH có đủ dữ liệu về lịch sử trả nợ, các thông tin về nhân thân và tài chính của KH. Nhóm 1 là nhóm các KH có khả năng trả nợ gồm 112 KH và nhóm 0 là nhóm KH không có khả năng trả nợ gồm 24KH. Sau đây là một số chỉ số thống kê mô tả mẫu nghiên cứu: Biến độc lập Trung bình Mode Độ lệch Maximum Minimum X1 .743 1 .4388 1.0 .0 X2 36.515 28 9.2111 63.0 24.0 X3 .824 0 .3826 1.0 .0 X4 .309 1 .4637 1.0 .0 X5 .493 0 .5018 1.0 .0 X6 .147 0 .3555 1.0 .0 X7 .375 24 .4859 1.0 .0 X8 .669 120 .4723 1.0 .0 X9 1.037 0 1.0982 5.0 .0 X10 .257 0 .4388 1.0 .0 X11 .287 0 .4539 1.0 .0 X12 .390 0 .4895 1.0 .0 X13 .456 0 .4999 1.0 .0 X14 105.904 0 135.7336 600.0 .0 X15 82.382 1 85.2975 384.0 .0 X16 15.611 5 31.1954 300.0 .0 X17 .110 0 .3144 1.0 .0 X18 1.559 0 .8500 6.0 .0 X19 7.366 0 13.1850 100.0 .0 X20 .390 0 2.6781 21.2 .0 X21 .213 0 .4111 1.0 .0 X22 .110 0 .3144 1.0 .0 X23 .199 0 .4004 1.0 .0 X24 .404 1 .4926 1.0 .0 Kết quả thực nghiệm Ta cần xem xét bảng thể hiện mức độ tương quan của các biến (định lượng) được đưa vào mô hình. Nếu hệ số tương quan cặp > 0.8 thì sẽ dẫn đến hiện tượng đa cộng tuyến nếu đưa các biến này vào mô hình. Bảng: Hệ số tương quan cặp các biến định lượng đưa vào mô hình X2 X14 X15 X16 X19 X20 X2 Hệ số tương quan cặp 1 Sig. (2-tailed) X14 Hệ số tương quan cặp .275 1 Sig. (2-tailed) .001 X15 Hệ số tương quan cặp .529 .264 1 Sig. (2-tailed) .000 .002 X16 Hệ số tương quan cặp .237 .053 .049 1 Sig. (2-tailed) .005 .538 .568 X19 Hệ số tương quan cặp .279 .018 -.005 .931 1 Sig. (2-tailed) .001 .835 .952 .000 X20 Hệ số tương quan cặp -.046 .125 -.059 -.043 -.059 1 Sig. (2-tailed) .594 .148 .496 .618 .497 Ta thấy 2 biến X16 (Thu nhập) và X19 (Tiết kiệm) có sự tương quan chặt với nhau (hệ số tương quan = 0.931 > 0.8). Điều này cho thấy nếu cùng đưa 2 biến này vào mô hình thì sẽ xảy ra hiện tương đa cộng tuyến. Tuy nhiên, theo Ramanathan (2003), đa cộng tuyến có thể không ảnh hưởng đến khả năng dự báo của mô hình và thậm chí có thể cải thiện khả năng dự báo. Chúng ta có 2 cách để xử lý vấn đề này là vẫn đưa biến vào mô hình để tăng khả năng dự báo hoặc loại bỏ 1 trong 2 biến trên. Ước lượng mô hình Logit Mô hình 1: Sử dụng phần mềm thống kê SPSS và Eviews với phương pháp Enter, ta đưa 17 biến vào mô hình theo tiêu chí chấm điểm tín dụng của BIDV. Mô hình 2: được ước lượng bằng cách đưa thêm 7 biến độc lập nghiên cứu từ những mô hình chấm điểm tín dụng khác vào mô hình 1. Mô hình 3: được ước lượng bằng cách loại bỏ những biến có mức ý nghĩa Sig. > 0.25 (mức ý nghĩa dành cho mô hình dự báo) từ mô hình 2. Bảng: Kết quả ước lượng hồi quy Logit các mô hình Biến Giả thiết Mô hình 1 Mô hình 2 Mô hình 3 Sig. Sig. Sig. X1 +/- -5.338 .017 -6.187 .002 X2 - -.034 .462 .099 .229 .082 .210 X3 - 1.958 .018 6.059 .005 6.104 .001 X4 - .190 .818 .400 .779 X5 + .747 .295 1.268 .293 X6 - 4.040 .043 5.937 .049 4.540 .035 X7 + -1.604 .130 -6.783 .023 -6.039 .019 X8 + -1.912 .057 -4.460 .050 -3.657 .040 X9 + .036 .905 .140 .804 X10 + 3.432 .032 1.838 .448 X11 - 3.128 .039 1.533 .430 X12 + 2.948 .046 1.143 .526 X13 + 3.350 .014 4.236 .054 4.578 .026 X14 + -.015 .029 -.014 .009 X15 + .008 .181 .012 .252 .018 .040 X16 + -.011 .426 .260 .029 .232 .014 X17 + -.347 .753 -1.302 .464 X18 + .763 .229 2.778 .028 2.410 .031 X19 + -.525 .019 -.460 .008 X20 + .038 .626 .067 .591 X21 + 3.075 .216 3.270 .097 X22 + 6.382 .029 7.160 .006 X23 + 3.478 .180 4.026 .077 X24 + 3.867 .093 4.475 .015 Constant -2.346 .275 -2.28 -4.13 -2.439 .455 Mô hình 1 Mô hình 2 Mô hình 3 OB 0.00 0.00 0.00 HL 40% 40% 38% Độ chính xác 87.5% 93.4% 94.9% - 2LL 69.566 42.37 44.714 McFadden R-squared 45.11% 67% 64,7% Likelihood ratio ???? 84,76 82.20 Nhận xét chung - Cả ba mô hình đều có mức độ phù hợp tổng quát (Sig. OB = 0.00 < α). Kết quả dự báo của cả 3 mô hình cũng phù hợp với dữ liệu quan sát (Sig. HL của cả 3 mô hình đều > α. - Độ chính xác của kết quả dự báo của cả 3 mô hình rất cao, xấp xỉ 90%. Trong đó, mô hình 3 là có độ chính xác cao nhất, mô hình 1 có độ chính xác thấp nhất. - Qua giá trị của “McFadden R-squared” trong kết quả thu được từ việc ước lượng hàm hồi qui logit của các mô hình cho biết: mô hình 1, 2 và 3 giải thích lần lượt 45,11%, 67%, 64,7%, sự biến động của xác suất trả được nợ của KH. - Về kiểm định – 2LL cho thấy, cả ba mô hình có chỉ số tương đối thấp, điều này chứng tỏ mức độ phù hợp khá tốt của mô hình tổng thể. Trong đó, mô hình 1 là có sự phù hợp thấp nhất và mô hình 2 là có sự phù hợp cao nhất. Kết quả trên cho thấy: Mô hình 2: Các biến có ý nghĩa nhất (Sig < 0.05) lần lượt là: X1 (giới tính), X3 (trình độ), X6 (sở hữu), X7 (thuê nhà), X8 (Tình trạng hôn nhân), X14(thời gian cư trú), X16 (Thu nhập), X18 (Số DV đang sử dụng), X22 (Công ty nước ngoài). Các biến không ảnh hưởng đến khả năng trả nợ là: X4, X5, X8, X20,… X14 (Thời gian cư trú): điều này trái với giả thiết, nhưng đúng với nghiên cứu của Vương Quân Hoàng, (2006). Trong điều kiện Việt Nam, ta có thể kết luận khi đã sống quá lâu ở địa phương mình thì có thể việc trốn tránh trả nợ sẽ cao hơn. X6 (Sở hữu nhà): điều này được có thể đươc giải thích bởi những người có chổ ở ổn định họ ít có khả năng chạy trốn và không tốn những khoản phí thuê nhà hàng tháng. Do đó khả năng trả nợ cao. X7 (Ở thuê): ngược lại với biến X14, điều này cho thấy rằng những người phải thuê nhà, có thể là người nhập cư, họ ít có khả năng trả nợ hơn là những người phải sở hữu nhà và cư trú ít tại một nơi; X19 (Tiết kiệm): việc trái dấu so với giả thiết có thể là do hiện tượng đa cộng tuyến; X24 (Doanh nghiệp VN): giả thiết do tác giả đặt ra do so sánh về mức lương của công ty Việt Nam so với các thành phần còn lại là tương đối thấp hơn. Tuy nhiên, thực tế cho thấy là KH làm trong các doanh nghiệp VN vẫn ảnh hưởng đến việc trả nợ của họ. Mô hình 3: Trong mô hình vẫn chịu tác động của hiện tượng đa cộng tuyến, biến X19 vẫn trái dấu so với giả thiết. Ngoài ra, biến X2 trái dấu so với giả thiết, điều này chứng tỏ kết quả thực nghiệm tại NH người càng lớn tuổi càng có khả năng trả nợ. Tuy nhiên, kết quả trái dấu này cũng có thể là do mẫu không đủ lớn, điều đó còn được thể hiện ở mức Sig. của X2 rất cao so với mức ý nghĩa 10%, kết quả này ít tin cậy khi suy rộng ra tổng thể. Hầu hết các biến đều có ý nghĩa cao (Sig < 0.05), trừ 2 biến X2 và X21. Theo kết quả hồi quy mô hình 3, tác động mạnh đến biến phụ thuộc chính là biến X1, X3, X6, X7, X8, X15, X18, X22. Ta có thể giải thích một số biến như sau: X1: cho thấy phụ nữ có khả năng trả nợ cao hơn so với đàn ông, điều này đã chứng mình sự khác biệt với lý thuyết trong điều kiện Việt Nam. X3: trình độ học vấn trên đại học tác động tích cực đến khả năng trả nợ của một KH. X8: hệ số hồi quy của biến này cho thấy người độc thân có xu hướng trả nợ tốt hơn người đã có gia đình. Về mặt thực tiễn tại Việt Nam, ta có thể lý giải người độc thân có khả năng quản lý tài chính tốt hơn người có gia đình. X15: vì khi có thâm niên trong công việc hiện tại, thì thường có thu nhập cao hơn. X22: KH làm việc ở công ty nước ngoài có khả năng trả nợ cao hơn so với các loại hình công ty khác. Tiếp theo đó là loại hình công ty Việt Nam, công ty tài chính và công ty nhà nước. Đề xuất và kiểm định mô hình xếp hạng tín dụng cho BIDV Ta có thể nhận thấy khả năng dự báo chính xác thì mô hình 3 là vượt trội nhất, thích hợp cho một mô hình XHTD. Tuy nhiên, mô hình mắc phải hiện tượng đa cộng tuyến, và chỉ số mức ý nghĩa của một số biến không có ý nghĩa như biến: X4, X5, X9, X10, X11, X12, X17, X20. Ta ước lượng mô hình 4 bằng cách loại đi những biến không có ý nghĩa ở mô hình 3 Bảng: Mô hình 4 – mô hình đề xuất Biến Tên biến Sig. X1 Giới tính -6.077 .003 X3 Trình độ đại học 5.397 .001 X6 Sở hữu nhà 4.173 .035 X7 Thuê nhà -5.205 .023 X8 Tình trạng hôn nhân -2.573 .047 X13 Rủi ro nghề nghiệp 3.952 .024 X14 Thời gian cư trú -.012 .009 X15 Thời gian làm việc .021 .019 X16 Thu nhập hàng tháng .195 .035 X18 Số dịch vụ khác 2.090 .039 X19 Tiết kiệm hàng tháng -.368 .013 X21 Công ty thuộc nhà nước 2.848 .123 X22 Công ty vốn nước ngoài 6.248 .009 X23 Công ty khối tài chính 4.029 .064 X24 Doanh nghiệp Việt Nam 3.928 .019 Constant -.006 .998 Các chỉ số thống kê OB 0.00 HL 76% Độ chính xác 93.4% - 2LL 46.375 McFadden R-squared 63% Likelihood ratio 80.59 Chỉ số về độ chính xác của kết quả dự báo mô hình 4 thấp hơn mô hình 3 (93.4 < 94.9) Chỉ số thống kê HL cho ta thấy mô hình 4 có độ phù hợp với dữ liệu quan sát hơn mô hình 3 ĐỘ PHÙ HỢP CỦA MÔ HÌNH Hệ số -2LL : càng nhỏ càng tốt. Đánh giá -2LL dựa vào kiểm định Omnibus test of model cofficients và Hosmer and Lemeshow Test. Model Summary Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square 1 46.357a .446 .736 a. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001. Về kiểm định – 2LL cho thấy mô hình có chỉ số tương đối thấp, điều này chứng tỏ mức độ phù hợp khá tốt của mô hình tổng thể. OMNIBUS TEST OF MODEL COFFICIENTS H0: Mô hình không phù hợp (β1= β2=…= βk=0) H1: Mô hình phù hợp. Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 80.395 15 .000 Block 80.395 15 .000 Model 80.395 15 .000 Ta thấy giá trị của Sig mô hình phù hợp. HOSMER AND LEMESHOW TEST H0: Không có sự khác biệt giữa giá trị thực tế và giá trị dự báo. (phù hợp) H1: Có sự khác biệt giữa GTTế và GTDBáo. Hosmer and Lemeshow Test Step Chi-square df Sig. 1 5.677 8 .683 Kiểm định tổng thể: H0: Mô hình không có khả năng giải thích giá trị thực tế H1: Mô hình có khả năng giải thích giá trị thực tế ANOVAb Model Sum of Squares df Mean Square F Sig. 1 Regression 8.349 24 .348 3.383 .000a Residual 11.416 111 .103 Total 19.765 135 a. Predictors: (Constant), X24, X20, X9, X11, X3, X17, X1, X6, X22, X13, X14, X16, X15, X4, X5, X18, X8, X23, X2, X12, X7, X21, X10, X19. b. Dependent Variable: Y Với F=3.383 ta có sig = 0 => bác bỏ giả thiết H0 => Mô hình có khả năng giải thích thực tế Kiểm định phần dư (resid) Qua 2 biểu đồ trên ta thấy phần dư của mô hình hồi quy Logit là sai số ngẫu nhiên, đảm bảo tính dự báo tốt cho mô hình. Vậy, tác giả xin được đề xuất mô hình trên là mô hình XHTD cá nhân của BIDV, mô hình này đảm bảo các yếu tố về thống kê để có thể suy rộng ra tổng thể. Ta có thể xây dựng hệ thống đánh giá xếp hạng tín dụng khách hàng cá nhân dựa trên việc dự đoán xác suất này được thực hiện thông qua hàm phân phối Logit ước lượng từ mẫu trên. Bảng: Tiêu chuẩn phân bổ cá thể theo mức rủi ro Loại hiện tại Xếp hạng tín nhiệm Xác suất trả nợ (%) Rủi ro 1 AAA 91 – 100 Thấp 2 AA 81 – 90 Thấp 3 A 71 – 80 Thấp 4 BBB 61 – 70 Trung bình 5 BB 51 – 60 Trung bình 6 B 41 -50 Cao 7 CCC 31 – 40 Cao 8 CC 21 – 30 Cao 9 C 11 – 20 Cao 10 D < 10 Cao Hướng dẫn thực hiện xếp hạng tín dụng cá nhân bằng Excel Với dạng hàm hồi quy Logit tìm được: Ln= -0.006 - 6.077*X1 + 5.397*X3 + 4.1737*X6 - 5.204*X7 - 2.573*X8 + 3.95*X13 - 0.0115*X14 + 0.0205*X15 + 0.1954*X16 +2.09*X18 - 0.3675*X19 + 2.848*X21 + 6.248*X22 + 4.029*X23 + 3.9277*X24 è Xác suất của đối tượng quan sát i là: Với Z = -0.006 - 6.077*X1 + 5.397*X3 + 4.1737*X6 - 5.204*X7 - 2.573*X8 + 3.95*X13 - 0.0115*X14 + 0.0205*X15 + 0.1954*X16 +2.09*X18 -0.3675*X19 + 2.848*X21 + 6.248*X22 + 4.029*X23 + 3.9277*X24 Một số ký hiệu mã hóa khi nhập thông tin vào bảng Excel như sau: TT Chỉ tiêu Thang đo Giả thiết Ký hiệu 1 Giới tính 1: Nam – 0: Nữ +/- X1 2 Trình độ đại học (ĐH) 1: Từ ĐH trở lên – 0: Dưới ĐH + X3 3 Tình trạng cư trú Sở hữu nhà 1: Có – 0: Không + X6 Thuê nhà 1: Có – 0: Không - X7 4 Tình trạng hôn nhân 1: Có gia đình – 0:Độc thân - X8 5 Rủi ro nghề nghiệp 1: Có – 0: Không - X13 6 Thời gian cư trú Tháng + X14 7 Thời gian làm việc Tháng + X15 8 Thu nhập hàng tháng Triệu đồng + X16 9 Số dịch vụ khác đang sử dụng Số dịch vụ + X18 10 Tiết kiệm hàng tháng Triệu đồng + X19 11 Loại hình công ty Công ty thuộc nhà nước 1: Có – 0: Không + X21 Công ty vốn nước ngoài 1: Có – 0: Không + X22 Công ty khối tài chính 1: Có – 0: Không + X23 Doanh nghiệp Việt Nam 1: Có – 0: Không - X24 Bảng: Ví dụ chấm điểm xếp hạng tín dụng cá nhân Tại ô D27 ta nhập công thức sau: =EXP(D12+C12*B12+C13*B13+C14*B14+C15*B15+C16*B16+C17*B17+C18*B18+C19*B19+C20*B20+C21*B21+C22*B22+C23*B23+C24*B24+C25*B25+C26*B26)/(1+EXP(D12+C12*B12+C13*B13+C14*B14+C15*B15+C16*B16+C17*B17+C18*B18+C19*B19+C20*B20+C21*B21+C22*B22+C23*B23+C24*B24+C25*B25+C26*B26)). KẾT LUẬN XHTD cá nhân là một khái niệm không mới trên thế giới, nhưng tại Việt Nam, khái niệm này vẫn còn được ứng dụng với những phương pháp đơn giản và định tính. KH cá nhân là đối tượng KH hay thay đổi và khó quản lý, nhất là trong điều kiện thiếu thông tin minh bạch tại Việt Nam. Điều này dẫn đến rủi ro khi cho vay tín dụng đối với NH là điều không thể tránh khỏi nếu như vẫn tiếp tục sử dụng các phương pháp chuyên gia, định tính và thiếu phân tích hành vi KH. Vậy, việc đổi mới mô hình chấm điểm tín dụng, hoàn thiện hơn hệ thống XHTD là bằng một phương pháp định lượng và có thể đánh giá hành vi như mô hình hồi quy Logit là một vấn đề chiến lược và tất yếu. Hạn chế Do cỡ mẫu còn nhỏ (136 mẫu) nên việc sử dụng mô hình Logit còn nhiều hạn chế, chưa thể khẳng định tính chính xác của mô hình, thêm vào đó khi sử dụng mô hình hồi quy có thể bị hiện tượng đa cộng tuyến, việc thu thập dữ liệu không chính xác hoặc cỡ mẫu quá nhỏ sẽ dẫn đến việc thiết lập mô hình sai, thiếu tin cậy. Do đó nếu áp dụng mô hình Logit vào việc xếp hạng tín dụng cá nhân còn rất hạn chế, thiếu chính xác. Kiến nghị Do nhu cầu vay vốn của khách hàng cá nhân ngày càng tăng đòi hỏi việc quyết định cho vay cần diễn ra nhanh chóng và giảm thiểu tối đa rủi ro cho ngân hàng nên việc đưa vào sự dụng mô hình xếp hạng tín dụng cá nhân là rất cần thiết. Tuy nhiên phải có sự nghiên cứu kỹ lưỡng về các chỉ tiêu ảnh hưởng đến khả năng trả nợ của khách hàng để có được một mô hình chính xác phù hợp với thực tế ở Việt Nam. Khi sử dụng mô hình Logit để xếp hạng tín dụng cá nhân cần thiết phải tăng cỡ mẫu lên nhiều lần và tăng số biến giải thích để đảm bảo tính chính xác, tránh được hiện tượng đa cộng tuyến. Ngoài ra còn có kỹ thuật phân tích lân cận gần nhất K và mạng nơ ron thần kinh có thể sử dụng để phân tích, dự báo khả năng trả nợ của khách hàng chính xác hơn mô hình Logit. Tuy nhiên để sử dụng các kỹ thuật này cần một số lượng mẩu quan sát rất lớn. TÀI LIỆU THAM KHẢO Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS, Nhà xuất bản Hồng Ðức. Vương Quân Hoàng (2006), Phương pháp thống kê xây dựng mô hình định mức tín nhiệm khách hàng thể nhân, Tạp chí khoa học. BIDV (2004), “Sổ tay tín dụng”, BIDV. Đỗ Thị Tươi, (2010), Chính sách tiền lương ở Việt Nam trong quá trình hội nhập, ĐH Lao động Xã hội, Cổng thổng tin tuyển dụng của công đồng Nhân sự. Tài liệu hướng dẫn chấm điểm tín dụng và xếp hạng KH cá nhân, phòng Quản lí rủi ro BIDV. Lê Tất Thành (2009), Ứng dụng hàm Logit xây dựng mô hình dự báo hạng mức tín nhiệm các doanh nghiệp tại Việt Nam, Dự thi Nghiên cứu khoa học sinh viên. Nguyễn Trường Sinh (2009), Hoàn thiện hệ thống xếp hạng tín nhiệm của ngân hàng thương mại cổ phần Ngoại Thương Việt Nam, Luận văn thạc sĩ Kinh tế. Đinh Thị Huyền Thanh & Stefanie Kleimeier (2006), Credit Scoring for Vietnam's Banking Market. J. Scott Long & Jeremy Freese (2001), Regression models for categorical dependent variables using Stata, A Stata Press Publication. Hollis Fishelson-Holstine (2004), The Role of Credit Scoring in Increasing Homeownership for Underserved Populations, Harvard University. http//:en.wikimedia.org PHỤ LỤC Kết quả hồi quy mô hình 1 Các kiểm định thống kê của mô hình 1 Classification Tablea Observed Predicted Kha nang tra no Percentage Correct Khong co kha nang tra no Co kha nang tra no Step 1 Kha nang tra no Khong co kha nang tra no 12 12 50.0 Co kha nang tra no 5 107 95.5 Overall Percentage 87.5 a. The cut value is 0.500 Model Summary Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square 1 69.566a .343 .566 a. Estimation terminated at iteration number 8 because parameter estimates changed by less than .001. Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 57.186 17 .000 Block 57.186 17 .000 Model 57.186 17 .000 Hosmer and Lemeshow Test Step Chi-square df Sig. 1 2.080 8 .978 Kết quả hồi quy mô hình 2 Các kiểm định thống kê của mô hình 2 Classification Tablea Observed Predicted Kha nang tra no Percentage Correct Khong co kha nang tra no Co kha nang tra no Step 1 Kha nang tra no Khong co kha nang tra no 20 4 83.3 Co kha nang tra no 5 107 95.5 Overall Percentage 93.4 a. The cut value is 0.500 Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 84.609 24 .000 Block 84.609 24 .000 Model 84.609 24 .000 Model Summary Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square 1 42.143a .463 .764 a. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001. Hosmer and Lemeshow Test Step Chi-square df Sig. 1 9.234 8 .323 Kết quả hồi quy mô hình 3 Các kiểm định thống kê của mô hình 3 Classification Tablea Observed Predicted Kha nang tra no Percentage Correct Khong co kha nang tra no Co kha nang tra no Step 1 Kha nang tra no Khong co kha nang tra no 20 4 83.3 Co kha nang tra no 3 109 97.3 Overall Percentage 94.9 a. The cut value is 0.500 Model Summary Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square 1 44.714a .453 .747 a. Estimation terminated at iteration number 9 because parameter estimates changed by less than .001. Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 82.038 16 .000 Block 82.038 16 .000 Model 82.038 16 .000 Hosmer and Lemeshow Test Step Chi-square df Sig. 1 9.605 8 .294