Luận án Nghiên cứu các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân tại ngân hàng hợp tác xã Việt Nam

lập trình trên hệ thống hay app ứng dụng. Để hệ thống chấm điểm tín dụng trực tuyến tiếp cận tốt tới khách hàng thì việc áp dụng trí tuệ nhân tạo (AI) sẽ giúp ngân hàng marketing dịch vụ tín dụng tới khách hàng một cách hiệu quả hơn với những đặc tính khách hàng sử dụng internet có tương tác hay quan tâm tới việc vay vốn. Những từ khóa liên quan sẽ giúp ngân hàng có thể gắn các quảng cáo tới những khách hàng này một cách dễ dàng (qua facebook, các trình duyệt hay app khác). Cách tiếp cận này ban đầu gần như nhắm tới đúng đối tượng cần vay vốn. Tham gia hoặc xây dựng các sàn giao dịch vốn như blockchain sẽ giúp ngân hàng kết nối tốt hơn giữa khách hàng và đơn vị cho vay. Việc tạo ra sàn điện tử thì các thông tin khách hàng sẽ được đưa vào hệ thống, được lọc ra với thông tin và nhu cầu vốn như vậy thì ngân hàng nào hay đơn vị nào cấp tín dụng nào có thể tiến hành cho vay. Điều này giúp khách hàng có thể tiếp cận tối đa tới đơn vị cấp tín dụng. Việc áp dụng công nghệ thông tin hiện đại cũng như phát triển ứng dụng AI để tạo ra các kênh giúp trao đổi vốn giữa ngân hàng và khách hàng trở lên dễ dàng hơn. Các thông tin sẽ được xử lý nhanh hơn khi bên cung cấp thông tin và bên yêu cầu thông tin để đầu tư gặp nhau. 97 4.2. Xây dựng hệ thống xếp hạng tín dụng khách hàng cá nhân tại Ngân hàng HTX dựa trên kết quả nghiên cứu Căn cứ xếp hạng tín dụng KHCN tại Ngân hàng HTX và dựa trên kết quả phân tích mô hình Logit và trọng số trong mô hình ANN cũng như Random Forest đồng thời tuân theo những căn cứ chung mà ngân hàng khác đang áp dụng, bao gồm: Hồ sơ pháp lý, thông tin tài chính, mức độ tín nhiệm của khách hàng trong quan hệ với các ngân hàng và tổ chức tín dụng khác. Cán bộ tín dụng thực hiện nhiệm vụ thu thập thông tin liên quan đến khách hàng vay gồm cả thông tin mang tính định tính và định lượng rồi so sánh với những tiêu chuẩn đã được ngân hàng xây dựng cho từng tiêu chí. Quá trình so sánh, đánh giá và cho điểm đối với các tiêu chí có thể phụ thuộc nhiều vào mối liên hệ tương quan với các khách hàng khác nhau. Việc tính điểm có thể bị ảnh hưởng bởi đánh giá chủ quan của người chấm. Vì thế, đòi hỏi cán bộ đánh giá phải có kiến thức và kinh nghiệm tốt về khách hàng, về lĩnh vực hoạt động của họ. Do đó, để hạn chế tối đa ảnh hưởng của yếu tố chủ quan của người đánh giá đến kết quả xếp hạng tín dụng KHCN, hệ thống xếp hạng tín dụng của Ngân hàng HTX đã được thiết kế để có những kiểm soát chặt chẽ đối với vấn đề này bằng cách: Thứ nhất, các chỉ tiêu phi tài chính sẽ được thiết kế xen kẽ để đảm bảo tính thống nhất trong quá trình đánh giá. Thứ hai, các thông tin phi tài chính sẽ được xác nhận bởi các tài liệu lưu trong hồ sơ tín dụng. Hệ thống xếp hạng tín dụng nội bộ của Ngân hàng HTX sử dụng phương pháp chấm điểm tín dụng. Tổng số điểm của khách hàng được xác định theo thang điểm tối đa là 100 được chia cho bộ chỉ tiêu tài chính và phi tài chính theo tỷ trọng tương ứng. Nguyên tắc chấm điểm tín dụng cá nhân tại Ngân hàng HTX là chấm điểm thông qua các chỉ tiêu cụ thể. Trong mỗi bộ chỉ tiêu tài chính hoặc phi tài chính có một số chỉ tiêu cụ thể (chỉ tiêu cấp 1). Mỗi chỉ tiêu cấp 1 có trọng số tính điểm cụ thể. Tổng trọng số tính điểm của các chỉ tiêu cấp 1 phải bằng 100% trọng số tính điểm của bộ chỉ tiêu đó. Mỗi chỉ tiêu cấp 1 có một số chỉ tiêu cấp 2. Mỗi chỉ tiêu cấp 2 có trọng số tính điểm cụ thể. Tổng trọng số tính điểm của các chỉ tiêu cấp 2 phải bằng 100% trọng số tính điểm của chỉ tiêu cấp 1 tương ứng đó. Mỗi chỉ tiêu cấp 2 sẽ có 5 khoảng giá trị chuẩn tương ứng là 5 mức điểm là 20, 40, 60, 80, 100 (điểm ban đầu). Như vậy đối với mỗi chỉ tiêu, điểm ban đầu của khách hàng là một trong 5 mức điểm kể trên, trên cơ sở số liệu thống kê và đánh giá của Ngân hàng HTX đối với tất cả các khách hàng cùng loại về chỉ tiêu này, được đánh giá từ mức nhỏ (xấu) nhất đến mức lớn (tốt) nhất. Tương ứng với mỗi khoảng giá trị chuẩn này là số điểm đạt được của khách hàng theo chỉ tiêu. 98 Bảng 4.1. Tiêu chí chấm điểm tín dụng KHCN tại Ngân hàng HTX Chỉ tiêu Điểm ban đầu Trọng số (%) 100 80 60 40 20 Phần 1: Thông tin về khách hàng 50% 1 Độ tuổi 30 - 50 26 - 39 51 – 60 20 - 25 >60; <20 5% 2 Giới tính Nữ Nam 5% 3 Lý lịch tư pháp Tốt Không tốt 5% 4 Tình trạng cơ sở kinh doanh Chủ sở hữu Nhà chung Với gia đình Thuê Khác 5% 5 Tình trạng hôn nhân Đã có gia đình Độc thân 5% 6 Bảo hiểm nhân thọ >100 triệu 50-100 triệu 30-50 triệu <30 triệu Không 5% 7 Tài sản đảm bảo Bất động sản Động sản 10% 8 Thời gian làm việc Trên 5 năm 2-5 năm 1 năm 5% 9 Quy mô hộ >4 người 2-4 người 1-2 người 5% Phần 2: Việc làm và kinh doanh 30% 1 Đa dạng hóa việc làm Không Có 5% 2 Sử dụng đúng mục đích Đúng Không đúng 15% 4 Thu nhập hàng tháng >20 triệu 15- 20 triệu 10-15 triệu 5-10 triệu <5 triệu 10% Phần 3: Quan hệ với Ngân hàng HTX 20% 1 Số lần trả chậm Không 1 lần 2 lần 3 lần 4 lần 10% 2 Thời gian quan hệ tín dụng >7 năm 5-7 năm 2-5 năm <2 năm 10% Nguồn: Tác giả tổng hợp và xây dựng dựa trên kết quả nghiên cứu 99 Thang điểm sử dụng để xếp hạng tín dụng là 100 (cao nhất). Số điểm đạt được sẽ làm kết quả để xếp loại khách hàng theo thứ hạng tốt, trung bình, xấu khác nhau. Hiện tại mối quan hệ giữa số điểm đạt được và thứ hạng như sau: Bảng 4.2. Hệ thống ký hiệu xếp hạng tín dụng KHCN tại Ngân hàng HTX Tổng số điểm Xếp hạng Ý nghĩa 90-100 điểm AAA Đây là mức xếp hạng cao nhất khả năng hoàn trả khoản vay của khách hàng được xếp hạng này là đặc biệt tốt. 80-90 điểm AA Khách hàng xếp hạng AA có năng lực trả nợ không kém nhiều so với khách hàng được xếp hạng cao nhất. 73-80 điểm A Khách hàng xếp loại A có thể có nhiều khả năng chịu tác động tiêu cực của các yếu tố bên ngoài và các điều kiện kinh tế hơn các khách hàng được xếp hạng cao hơn. 70-73 điểm BBB Khách hàng xếp hạng BBB có các chỉ số cho thấy khách hàng hoàn toàn có khả năng hoàn trả đầy đủ các khoản nợ. Tuy nhiên, các điều kiện kinh tế bất lợi và sự thay đổi của các yếu tố bên ngoài có khả năng làm suy giảm khả năng trả nợ của khách hàng. 63-70 điểm BB Khách hàng xếp hạng BB ít có nguy cơ mất khả năng trả nợ hơn các nhóm từ B đến D. Tuy nhiên, các khách hàng này đang phải đối mặt với nhiều rủi ro tiềm ẩn hoặc các ảnh hưởng từ các điều kiện kinh doanh, tài chính và kinh tế bất lợi, các ảnh hưởng này có khả năng dẫn đến sự suy giảm khả năng trả nợ của khách hàng. 60-63 điểm B Khách hàng xếp hạng B có nhiều nguy cơ mất khả năng trả nợ hơn các nhóm BB. Tuy nhiên, hiện thời khách hàng vẫn có khả năng hoàn trả món vay. Các điều kiện kinh doanh, tài chính và kinh tế nhiều khả năng ảnh hưởng đến khả năng hoặc thiện trí trả nợ của khách hàng. 56-60 điểm CCC Khách hàng xếp hạng CCC hiện thời đang bị suy giảm khả năng trả nợ, khả năng trả nợ của khách hàng phụ thuộc vào độ thuận lợi của các điều kiện kinh doanh, tài chính và kinh tế. Trong trường hợp có các yếu tố bất lợi xảy ra, khách hàng nhiều khả năng không trả được nợ. 53-56 điểm CC Khách hàng xếp hạng CC hiện thời đang bị suy giảm nhiều khả năng trả nợ. 100 Tổng số điểm Xếp hạng Ý nghĩa 44-53 điểm C Khách hàng xếp hạng C trong trường hợp đã thực hiện các thủ tục xin phá sản hoặc có các động thái tương tự nhưng việc trả nợ của khách hàng vẫn đang được duy trì. Dưới 44 điểm D Khách hàng xếp hạng D trong trường hợp đã mất khả năng trả nợ, các tổn thất đã thực sự xảy ra. Không xếp hạng D cho các khách hàng mà việc mất khả năng trả nợ mới chỉ là dự báo. Nguồn : Tác giả tổng hợp và xây dựng dựa trên kết quả nghiên cứu 4.3. Cách thức ra quyết định cho vay và không cho vay đối với khách hàng cá nhân khi vay vốn ở Ngân hàng HTX Dựa trên bảng xếp hạng tín dụng (kết hợp mô hình Logit và trọng số mô hình ANN để xây dựng) của Ngân hàng HTX đã xây dựng và ước lượng dự báo trên mô hình Random Forest. Ban đầu các hồ sơ khách hàng yêu cầu được đưa vào hệ thống chấm điểm tín dụng đã được thiết lập. Nếu kết quả của bảng xếp hạng tín dụng đưa ra trùng khớp với dự báo về khả năng vỡ nợ của khách hàng dựa trên mô hình Random Forest thì ngân hàng sẽ đi đến kết luận chung. Trong trường hợp các kết quả dự báo từ các mô hình là khác nhau thì sẽ ưu tiên lực chọn kết quả trùng khớp giữa mô hình Random Forest và bảng xếp hạng tín dụng khách hàng cá nhân đã xây dựng ở trên. Cơ bản kết quả sẽ đều dựa trên sự trùng khớp của 2 phương án trở lên để ra quyết định về cho vay hay không cho vay. 4.4. Khuyến nghị 4.4.1. Đối với Ngân hàng HTX Việt Nam Thứ nhất, cần xây dựng một hệ thống cơ sở dữ liệu đủ lớn nhằm mục đích phục vụ cho việc sử dụng phương pháp định lượng thông qua các mô hình hồi quy để thực hiện chấm điểm tín dụng KHCN. Kết quả hồi quy sẽ cho biết, yếu tố nào là yếu tố có ảnh hưởng lớn đến khả năng vỡ nợ của KHCN, yếu tố nào có ảnh hưởng ít, yếu tố nào không rõ ràng và cần loại bỏ. Việc sử dụng mô hình điểm số tín dụng sẽ hạn chế được những sai lầm mang tính chủ quan từ phương pháp chuyên gia với những nhận định còn có yếu tố cảm tính từ các cán bộ tín dụng. Điều này, giúp các ngân hàng có được bảng chấm điểm tín dụng KHCN ngắn gọn nhưng mang tính chính xác cao hơn đồng thời có thể dễ dàng thay đổi tỷ trọng của các tiêu chí sao cho phù hợp với điều kiện kinh tế - tài chính thay đổi cũng như xây dựng chính sách khách hàng linh hoạt hơn. 101 Thứ hai, khi xây dựng hệ thống xếp hạng tín dụng cần quan tâm đến tác tiêu chí nhân khẩu - xã hội học của khách hàng như giới tính, tình trạng hôn nhân, tình trạng cư trú, trình độ học vấn, loại hình công ty mà khách hàng làm việc, cách thức chi trả lương, thu nhập của khách hàng. Trong bảng chấm điểm tín dụng cần có những tiêu chí này, đồng thời tỷ trọng các tiêu chí phải được dựa trên kết quả ước lượng của mô hình đề xuất. Thứ ba, xây dựng hệ thống thông tin quản lý rủi ro tín dụng của nội bộ ngân hàng nhằm đảm bảo việc cung cấp thông tin một cách đầy đủ, kịp thời và đáng tin cậy, được cập nhật thường xuyên nhằm phục vụ cho mục đích đánh giá, chấm điểm tín dụng KHCN khi vay vốn tại Ngân hàng HTX. Thứ tư, đối với cán bộ tín dụng của ngân hàng cần tập trung đào tạo để nâng cao trình độ đánh giá và khả năng phân tích, nhận định vấn đề một cách khách quan. Thêm vào đó, việc cán bộ, chuyên gia phân tích tín dụng có nhiều kinh nghiệm và kỹ năng cũng là một trong những yếu tố đóng góp cho tính chính xác và giúp quá trình thẩm định, xếp hạng tín dụng được rút ngắn thời gian. Tập trung đào tạo chuyên môn nghiệp vụ của cán bộ tín dụng là rất cần thiết nhưng bên cạnh đó đạo đức nghề nghiệp của cán bộ tín dụng cũng là một yếu tố có khả năng tiềm ẩn rủi ro đối với ngân hàng. Do đó, Ngân hàng HTX Việt Nam cũng cần có quy chế làm việc cụ thể và tăng cường giám sát đạo đức nghề nghiệp của cán bộ tín dụng bên cạnh những yêu cầu về chuyên môn nghề nghiệp. Thứ năm, cần không ngừng cập nhật những tiến bộ khoa học tiên tiến đặc biệt là ứng dụng công nghệ thông tin trong lĩnh vực tài chính ngân hàng. Hơn nữa, phải hoàn thiện hệ thống xếp hạng tín dụng khách hàng, nâng cao khả năng bảo mật thông tin khách hàng và các thông tin tín dụng nội bộ. 4.4.2. Đối với Ngân hàng Nhà nước Ngân hàng Nhà nước cần xây dựng cơ chế chính sách về tín dụng một cách đồng bộ và hoàn thiện hơn, tạo điều kiện cho ngân hàng đa dạng hóa hình thức cấp tín dụng cho KHCN, mở rộng phạm vi đối tượng được tiếp cận vốn. Đồng thời, có sự phối hợp chặt chẽ với các cơ quan có thẩm quyền có liên quan trong việc xử lý các vấn đề phát sinh có liên quan đến hoạt động tín dụng KHCN tại ngân hàng một cách kịp thời và hiệu quả. 102 4.4.3. Đối với Trung tâm thông tin tín dụng (CIC) Trung tâm thông tin tín dụng quốc gia (CIC) là nơi lưu trữ lịch sử thông tin tín dụng của khách hàng. Nguồn thông tin mà trung tâm cung cấp là những thông tin rất đáng tin cậy và có ý nghĩa rất quan trọng đối với các ngân hàng. Chính vì vậy, Ngân hàng Nhà nước cần có những quy định bắt buộc đối với Ngân hàng HTX Việt Nam trong việc cung cấp đầy đủ các thông tin tín dụng của khách hàng đã giao dịch vay vốn tại ngân hàng để xây dựng hệ cơ sở dữ liệu về lịch sử tín dụng, cung cấp kịp thời những thông tin cần thiết, cảnh bảo rủi ro cho các ngân hàng khác. 4.5. Hạn chế của đề tài và các hướng nghiên cứu tiếp theo Mặc dù luận án đã xây dựng được mô hình và tìm ra các yếu tố ảnh hưởng tới khả năng vỡ nợ của KHCN tại Ngân hàng HTX Việt Nam bằng các mô hình Logit, Probit, ANN và Random Forest. Tuy nhiên, với số lượng mẫu thu thập trong nghiên cứu là 5.498 mẫu chưa phải là lớn vì thế mà có thể chưa phân tích một cách tổng thể cho Ngân hàng HTX Việt Nam. Tổng số lượng khách hàng thu thập được là 5.498 khách hàng giai đoạn 2014- 2019. Với số lượng như vậy, chưa phân tích được đặc điểm riêng của từng Chi nhánh ngân hàng, đặc điểm vùng miền như tỉnh thành, địa phương, loại hình kinh doanh của khách hàng cá nhân. Vấn đề tiếp cận dữ liệu lớn của khách hàng cá nhân trong từng ngân hàng là rào cản đối với NCS. Vì thế, NCS chỉ phân tích được trên các dữ liệu lấy được một cách hạn chế. Do vậy, NCS cũng khuyến nghị cho các nghiên cứu sau có thể có những chính sách từ các ngân hàng để hỗ trợ việc phân tích trên quy mô lớn hơn. 103 KẾT LUẬN Vỡ nợ KHCN sẽ làm suy yếu các hoạt động của ngân hàng và các ngân hàng luôn cố gắng nỗ lực để giải quyết cũng như giảm bớt rủi ro này. Các chính sách được các ngân hàng đưa ra liên quan tới hoạt động tín dụng nhằm giảm tỷ lệ vỡ nợ cho vay. Các chính sách về phương án cho vay, cơ chế sàng lọc hồ sơ, tài sản thế chấp, bảo lãnh tín dụng của bên thứ ba, xếp hạng tín dụng được ngân hàng sử dụng để kiểm soát rủi ro hoạt động cho vay đối với KHCN. Xếp hạng tín dụng KHCN tại các ngân hàng không còn là một khái niệm mới trên thế giới nhưng tại Việt Nam hoạt động này vẫn đang còn được áp dụng bằng những phương pháp định tính đơn giản. KHCN là đối tượng khách hàng rất khó quản lý do tính bảo mật thông tin về nhóm khách hàng này là tương đối cao, khó đánh giá được mức độ tin cậy của các nguồn thông tin và thông tin thường xuyên thay đổi. Đặc biệt là, trong điều kiện môi trường kinh doanh còn thiếu thông tin minh bạch về kinh tế - tài chính như tại thị trường Việt Nam. Do đó, điều này ảnh hưởng rất lớn đến rủi ro của các ngân hàng khi thực hiện nghiệp vụ cho vay KHCN. Vậy, việc đổi mới, cải thiện hệ thống xếp hạng tín dụng KHCN, hoàn thiện mô hình chấm điểm tín dụng sử dụng phương pháp định lượng bằng các mô hình phân tích hồi quy như mô hình Logistic, Probit là một điều tất yếu đối với các ngân hàng. Quá trình nghiên cứu đề tài “Nghiên cứu các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân tại Ngân hàng Hợp tác xã Việt Nam” đã đạt được những kết quả có giá trị khoa học và thực tiễn như sau: Thứ nhất, hệ thống được cơ sở lý thuyết cơ bản về ngân hàng, tín dụng ngân hàng và xếp hạng tín dụng KHCN. Đồng thời, trình bày các yếu tố tác động đến khả năng vỡ nợ KHCN thông qua các nghiên cứu trước đây cũng như các phương pháp, mô hình xếp hạng tín dụng KHCN được xây dựng dựa trên các yếu tố đó. Thứ hai, luận án đã xây dựng được mô hình nghiên cứu đánh giá khả năng vỡ nợ của KHCN thông qua 21 biến độc lập thể hiện đặc tính của khách hàng cũng như liên quan tới các khoản vay vốn. Thứ ba, dựa trên mô hình các biến ảnh hưởng tới khả năng vỡ nợ của KHCN, luận án cũng tìm ra được các yếu tố ảnh hưởng tới khả năng vỡ nợ của khách hàng (thông qua mô hình lựa chọn là Probit): Giới tính, tình trạng hôn nhân, độ tuổi, thời gian làm việc, thu nhập, kỳ hạn vay, tình hình trả chậm, đa dạng hóa nghề nghiệp, tham gia bảo hiểm nhận thọ và tài sản đảm bảo. Thứ tư, với việc so sánh 4 mô hình ước lượng khả năng vỡ nợ của KHCN tại Ngân hàng HTX, luận án cũng chỉ ra mô hình Random Forest có khả năng dự báo tốt trên 97%. Mô hình hồi quy Logistic, Probit và ANN có khả năng dự báo chính xác ở mức 83%-84%. 104 DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ KẾT QUẢ NGHIÊN CỨU 1. Ngô Tiến Quý (2019), “Các nhân tố ảnh hưởng tới khả năng trả nợ của khách hàng cá nhân tại Ngân hàng Thương mại Cổ phần”, Tạp chí Kinh tế và Dự báo, Số ISBN 0866-7120, Tháng 11 năm 2019. 2. Ngô Tiến Quý, Nguyễn Việt Dũng (2019), “Các yếu tố ảnh hưởng trong xây dựng mô hình chấm điểm tín dụng khách hàng cá nhân của Ngân hàng thương mại”, Tạp chí Kinh tế Chấu Á - Thái Bình Dương, Số 552, Tháng 11 năm 2019, trang 51-53. 3. Pham Mai Chi, Ngo Tien Quy, Nguyen Viet Dung (2019), “Comparing Personnel Loan Default Predicting Models : An Application to the Case of TP Bank”, Emerging Markets Finance and Sustainable Development, Foreign Trade University, pp.73-82. 4. Ngô Tiến Quý, Nguyễn Việt Dũng (2018), "Các nhân tố ảnh hưởng đến khả năng vợ nợ trong tín dụng khách hàng cá nhân: Tổng quan và đề xuất nghiên cứu cho các Ngân hàng thương mại Việt Nam", Kỷ yếu Hội thảo: Phát triển Tài chính tại Việt Nam sau đổi mới, Trường Đại học Ngoại thương, trang 3-9. 5. Ngô Tiến Quý (2018), “Vai trò của Quỹ tín dụng trong thúc đẩy phát triển tài chính toàn diện”, Tạp chí Thị trường Tài chính - Tiền tệ, Số 6 (495), trang 31-33. 6. Ngô Tiến Quý (2017), “Hoàn thiện cơ chế xử lý nợ xấu trong hoạt động tín dụng của ngân hàng thương mại cần tháo gỡ những vướng mắc về xử lý tài sản đảm bảo tiền vay”, Kỷ yếu Hội thảo Khoa học: Hoàn thiện mô hình và cơ chế xử lý nợ xấu cho VAMC, Nhà xuất bản Đại học Kinh tế Quốc dân 2017, trang 192-208. 7. Ngô Tiến Quý (2016), “Quản lý vốn tín dụng ngân hàng thương mại đầu tư cho bất động sản”, Tạp chí Thị trường Tài chính - Tiền tệ, Số 8(499), tháng 4/2016, trang 16-20. 8. Ngô Tiến Quý (2016), “Phân tích chính sách kiều hối từ góc độ khách hàng cá nhân của ngân hàng thương mại”, Kỷ yếu Hội thảo Khoa học quốc gia: Mối quan hệ giữa kiều hối và hoạt động đầu tư tại Việt Nam, Nhà xuất bản Đại học Kinh tế Quốc dân, trang 285-294. 9. Ngô Tiến Quý (2016), “Chính sách tín dụng khách hàng cá nhân của Ngân hàng Thương mại cho chuyển dịch cơ cấu kinh tế ở phía Nam nhìn từ thực tế hai Ngân hàng”, Kỷ yếu Hội thảo Khoa học: Bàn giải pháp về chính sách tín dụng nhằm chuyển dịch cơ cấu ngành nông nghiệp, nông thôn ở các tỉnh, thành phía Nam, Nhà xuất bản Tp. Hồ Chí Minh, trang 125-134. 105 TÀI LIỆU THAM KHẢO 1. Abaidoo A. (2015),Determinant of Loan Default and Its Effect on Financial Performance of Commercial Banks in Ghana, A Case Study of Fidelity Bank Limited. https://www.grin.com/document/373126 2. Abid, L., Masmoudi, A., & Zouari-Ghorbel, S. (2018),"The Consumer Loan’s Payment Default Predictive Model: An Application of the Logistic Regression and the Discriminant Analysis in a Tunisian Commercial Bank",Journal of the Knowledge Economy, 9(3), 948-962. https://doi.org/10.1007/s13132-016-0382-8 3. Afolabi, J. A. (2010). "Analysis of Loan Repayment among Small Scale Farmers in Oyo State, Nigeria",Journal of Social Sciences, 22(2), 115-119. https://doi.org/10.1080/09718923.2010.11892791 4. Agarwal, S., Chomsisengphet, S., & Liu, C. (2011),"Consumer bankruptcy and default: The role of individual social capital",Journal of Economic Psychology, 32(4), 632-650. https://doi.org/10.1016/j.joep.2010.11.007 5. Aghion, P., & Bolton, P. (1992),"An Incomplete Contracts Approach to Financial Contracting". The Review of Economic Studies, 59(3), 473-494. https://doi.org/10.2307/2297860 6. Allen, L., & Saunders, A. (2002),"A Survey of Cyclical Effects in Credit Risk Measurement Models (SSRN Scholarly Paper ID 1295817)",Social Science Research Network. https://papers.ssrn.com/abstract=1295817 7. Angaine, F. K. (2013),Factors influencing loan repayment in microfinance institutions in Meru municipality, Kenya [Thesis, University of Nairobi,]. 8. Arminger, G., Enache, D., & Bonne, T. (1997),"Analyzing Credit Risk Data: A Comparison of Logistic Discrimination, Classification Tree Analysis, and Feedforward Networks (SSRN Scholarly Paper ID 4801)",Social Science Research Network. https://papers.ssrn.com/abstract=4801 9. Atiya, A. F. (2001),Bankruptcy prediction for credit risk using neural networks: A survey and new results, IEEE Transactions on Neural Networks, 12, 929-935. 10. Baku, E., & Smith, M. (1998),Loan delinquency in community lending organizations: Case studies of neighborworks organizations,Housing Policy Debate, 9(1), 151-175. https://doi.org/10.1080/10511482.1998.9521289 106 11. Bennell, J. A., Crabbe, D., Thomas, S., & Gwilym, O. ap. (2006),Modelling sovereign credit ratings: Neural networks versus ordered probit, Expert Systems with Applications, 30(3), 415–425. https://doi.org/10.1016/j.eswa.2005.10.002 12. Berger, A. N., & Bouwman, C. H. S. (2013),"How does capital affect bank performance during financial crises?", Journal of Financial Economics, 109(1), 146–176. https://doi.org/10.1016/j.jfineco.2013.02.008 13. Berger, A. N., & Bouwman, C. H. S. (2017),"Bank liquidity creation, monetary policy, and financial crises",Journal of Financial Stability, 30, 139-155. https://doi.org/10.1016/j.jfs.2017.05.001 14. Berger, A. N., Bouwman, C. H. S., Kick, T., & Schaeck, K. (2016),"Bank liquidity creation following regulatory interventions and capital support",Journal of Financial Intermediation, 26, 115-141. https://doi.org/10.1016/j.jfi.2016.01.001 15. Berger, A. N., & DeYoung, R. (1997),"Problem loans and cost efficiency in commercial banks",Journal of Banking & Finance, 21(6), 849–870. https://doi.org/10.1016/S0378-4266(97)00003-4 16. Berger, A. N., & Humphrey, D. B. (1997),"Efficiency of financial institutions: International survey and directions for future research",European Journal of Operational Research, 98(2), 175–212. https://doi.org/10.1016/S0377- 2217(96)00342-6 17. Berk, J., & DeMarzo, P. (2016),Corporate Finance. /content/one-dot-com/one- dot-com/netherlands/en_NL/higher-education/subject- catalogue/finance/corporate-finance-4e-berk-and-demarzo.html 18. Berlin, M., & Mester, L. J. (2004),"Credit card rates and consumer search",Review of Financial Economics, 13(1), 179-198. https://doi.org/10.1016/j.rfe.2003.06.001 19. Black, C. T., Bona, G.-L., Dalton, T. J., Fuller, N. C. M., Germann, R., McGlashan-Powell, M., Narayan, C., & Sandstorm, R. L. (2009),Waveguide polarization beam splitters and method of fabricating a waveguide wire-grid polarization beam splitter (United States Patent No. US7486845B2). https://patents.google.com/patent/US7486845B2/en 20. Booth, A., Gerding, E., & McGroarty, F. (2014),Automated trading with performance weighted random forests and seasonality, Expert Systems with Applications, 41(8), 3651–3661. https://doi.org/10.1016/j.eswa.2013.12.009 107 21. Bouwman, C. H. S. (2013),"Liquidity: How Banks Create It and How It Should Be Regulated (SSRN Scholarly Paper ID 2307727)",Social Science Research Network. https://papers.ssrn.com/abstract=2307727 22. Boyle, M., Crook, J. N., Hamilton, R., & Thomas, L. C. (1992). Method s for credit scoring applied to slow payers. Credit Scoring and Credit Control, 75-90. 23. Breiman, L. (2001),Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324 24. Breuer, T., Jandačka, M., Rheinberger, K., & Summer, M. (2010), "Does adding up of economic capital for market- and credit risk amount to conservative risk assessment?", Journal of Banking & Finance, 34(4), 703-712. https://doi.org/10.1016/j.jbankfin.2009.03.013 25. Cantor, R., & Packer, F. (1996),"Determinants and Impact of Sovereign Credit Ratings (SSRN Scholarly Paper ID 1028774)",Social Science Research Network. https://papers.ssrn.com/abstract=1028774 26. Carling, K., Jacobson, T., & Roszbach, K. (1998),Duration of Consumer Loans and Bank Lending Policy: Dormancy Versus Default Risk (Working Paper No. 70). Sveriges Riksbank Working Paper Series. https://www.econstor.eu/handle/10419/82500 27. Carter, S., Shaw, E., Lam, W., & Wilson, F. (2007),Gender, Entrepreneurship, and Bank Lending: The Criteria and Processes Used by Bank Loan Officers in Assessing Applications, Entrepreneurship Theory and Practice, 31(3), 427-444. https://doi.org/10.1111/j.1540-6520.2007.00181.x 28. Chen, K., & Pan, C. (2015),"An empirical study of credit risk efficiency of banking industry in Taiwan",Web Journal of Chinese Management Review, 15(1), 1-16. 29. Cox, D., & Jappelli, T. (1993),"The Effect of Borrowing Constraints on Consumer Liabilities",Journal of Money, Credit and Banking, 25(2), 197-213. JSTOR. https://doi.org/10.2307/2077836 30. Dinh, T. H. T., & Kleimeier, S. (2007),"A credit scoring model for Vietnam’s retail banking market",International Review of Financial Analysis, 16(5), 471- 495. https://doi.org/10.1016/j.irfa.2007.06.001 31. Du-Jardin, P. (2010),Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing, 73(10), 2047-2060. https://doi.org/10.1016/j.neucom.2009.11.034 108 32. Dufhues, T., Buchenrieder, G., Quoc, H. D., & Munkung, N. (2011),"Social capital and loan repayment performance in Southeast Asia",The Journal of Socio- Economics, 40(5), 679-691. https://doi.org/10.1016/j.socec.2011.05.007 33. Dunn, L., & Kim, T. (1999),Empirical Investigation of Credit Card Default [Working Paper], Ohio State University, Department of Economics. https://econpapers.repec.org/paper/osuosuewp/99-13.htm 34. Đào Thị Thanh Bình. (2019),"Xây dựng mô hình chấm điểm tín dụng khách hàng cá nhân vay tiêu dùng tại Việt Nam",Khoa Học Thương Mại, 128, 47-54. 35. Đường Thị Thanh Hải. (2014),"Các nhân tố ảnh hưởng đến hiệu quả tín dụng cá nhân ở Việt Nam",Tạp Chí Tài Chính, 4. 36. Fausett, L. (Ed.). (1994),Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice-Hall, Inc. 37. Fidrmuc, J., & Hainz, C. (2009),"Financial Integration and Banking Regulation: Cross-Border Lending in Germany (SSRN Scholarly Paper ID 1424344)",Social Science Research Network. https://papers.ssrn.com/abstract=1424344 38. Fidrmuc, J., & Hainz, C. (2010),"Default rates in the loan market for SMEs: Evidence from Slovakia",Economic Systems, 34(2), 133-147. https://doi.org/10.1016/j.ecosys.2009.10.002 39. Finch, H., & Schneider, M. K. (2007),"Classification Accuracy of Neural Networks vs. Discriminant Analysis, Logistic Regression, and Classification and Regression Trees",Methodology, 3(2), 47-57. https://doi.org/10.1027/1614- 2241.3.2.47 40. Fofack, H. L. (2005),Nonperforming Loans In Sub-Saharan Africa: Causal Analysis And Macroeconomic Implications, The World Bank. https://doi.org/10.1596/1813-9450-3769 41. Gaffney, M. (2009),"Money, Credit, and Crisis",American Journal of Economics and Sociology, 68(4), 983-1038. https://doi.org/10.1111/j.1536- 7150.2009.00659.x 42. Giesecke, K., & Kim, B. (2011),Systemic Risk: What Defaults Are Telling Us. Management Science, 57(8), 1387-1405. https://doi.org/10.1287/mnsc.1110.1375 43. Gorter, M. C., & Bloem, M. A. M. (2001),The Treatment of Nonperforming Loans in Macroeconomic Statistics, International Monetary Fund. 109 44. Gouvêa, M., & Bacconi, E. (April 4, 2),Credit Risk Analysis Applying Logistic Regression, Neural Networks and Genetic Algorithms Models. 45. Hồ Diệu (2011), Tín dụng ngân hàng, Nhà xuất bản thống kê. 46. Hoàng Thị Kim Diễm. (2012),Các nhân tố ảnh hưởng tới khả năng trả nợ của khách hàng cá nhân tại ngân hàng đầu tư và phát triển chi nhánh Nam Sài Gòn. Luận văn thạc sỹ. 47. Hoàng Trọng & Chu Nguyễn Mộng Ngọc, (2008), Phân tích dữ liệu với SPSS, Trường Đại học Kinh tế Thành Phố Hồ Chí Minh, Nhà xuất bản Hồng Đức. 48. Hồ Hoàng Triệu. (2019),Khả năng trả nợ của khách hàng cá nhân tại ngân hàng nông nghiệp và hát triển nông thôn Việt Nam – chi nhánh huyện Thủ Thừa, tỉnh Long An. Luận văn thạc sỹ, trường Đại học Kinh tế Công nghiệp 49. Hall, R. E., & Mishkin, F. S. (1980),The Sensitivity of Consumption to Transitory Income: Estimates from Panel Data on Households (Working Paper No. 505), National Bureau of Economic Research. https://doi.org/10.3386/w0505 50. Hayashi, F. (1985),Tests for Liquidity Constraints: A Critical Survey (Working Paper No. 1720), National Bureau of Economic Research. https://doi.org/10.3386/w1720 51. Herron, J. (2014),Men, Women And Debt: Does Gender Matter? Bankrate. https://www.bankrate.com/finance/debt/men-women-and-debt-does-gender- matter.aspx 52. Ho, T. K. (1995),Random decision forests. In Proceedings of the Third International Conference on Document Analysis and Recognition, IEEE Computer Society., 1, 278. 53. Hsieh, N.-C. (2004),"An integrated data mining and behavioral scoring model for analyzing bank customers",Expert Systems with Applications, 27(4), 623–633. https://doi.org/10.1016/j.eswa.2004.06.007 54. Jacobson, T., & Roszbach, K. (2003),"Bank lending policy, credit scoring and value-at-risk",Journal of Banking & Finance, 27(4), 615–633. https://doi.org/10.1016/S0378-4266(01)00254-0 55. Jappelli, T., & Pagano, M. (2002),"Information sharing, lending and defaults: Cross-country evidence",Journal of Banking & Finance, 26(10), 2017–2045. https://doi.org/10.1016/S0378-4266(01)00185-6 110 56. Jaquette, O., & Hillman, N. (2015),"Paying for Default: Change Over Time in the Share of Federal Financial Aid Sent to Institutions with High Student Loan Default Rates",Journal of Student Financial Aid, 45(1). https://ir.library.louisville.edu/jsfa/vol45/iss1/2 57. Karim, M., Chan, S.-G., & Hassan, S. (2010),Bank Efficiency and Non- Performing Loans: Evidence from Malaysia and Singapore, Prague Economic Papers, 2010(2), 118–132. 58. Keasey, K., & Watson, R. (1987),"Non-Financial Symptoms and the Prediction of Small Company Failure: A Test of Argenti’s Hypotheses",Journal of Business Finance & Accounting, 14(3), 335–354. https://doi.org/10.1111/j.1468- 5957.1987.tb00099.x 59. Khemakhem, S., & Boujelbene, Y. (2015),"Credit Risk Prediction: A Comparative Study between Discriminant Analysis and the Neural Network Approach",Journal of Accounting and Management Information Systems, 14(1), 60–78. 60. Kithinji, A. M. (2010),Credit risk management and profitability of Commercial banks in kenya. 61. Kočenda, E., & Vojtek, M. (2011),Default Predictors in Retail Credit Scoring: Evidence from Czech Banking Data, Emerging Markets Finance and Trade, 47(6), 80–98. https://doi.org/10.2753/REE1540-496X470605 62. Kuo, T., Su, C., Chang, C., Lin, C., Cheng, W., Liang, H., Lewis, C., & Chiang, C. (2010),Application of recurrent radon precursors for forecasting large earthquakes (Mw > 6.0) near Antung, Taiwan, Radiation Measurements, 45(9), 1049–1054. https://doi.org/10.1016/j.radmeas.2010.08.009 63. Lê Huyền Thiên Phú, (2013), Các nhân tố ảnh hưởng tới khả năng trả nợ của khách hàng cá nhân tại Ngân hàng TMCP Phát triển Mê Kông chi nhánh Tp.Hồ Chí Minh, Luận văn thạc sỹ, Trường Đại học Kinh tế Tp. Hồ Chí Minh. 64. Lê Văn Triết. (2010),Hoàn thiện hệ thống xếp hạng tín dụng cá nhân của ngân hàng TMCP Á Châu. Luận văn thạc sĩ. 65. Lea, S. E. G., Webley, P., & Walker, C. M. (1995),"Psychological factors in consumer debt: Money management, economic socialization, and credit use",Journal of Economic Psychology, 16(4), 681–701. https://doi.org/10.1016/0167-4870(95)00013-4 111 66. Livingstone, S. M., & Lunt, P. K. (1992),"Predicting personal debt and debt repayment: Psychological, social and economic determinants",Journal of Economic Psychology, 13(1), 111–134, https://doi.org/10.1016/0167- 4870(92)90055-C 67. Louzis, D. P., Vouldis, A. T., & Metaxas, V. L. (2012),"Macroeconomic and bank-specific determinants of non-performing loans in Greece: A comparative study of mortgage, business and consumer loan portfolios",Journal of Banking & Finance, 36(4), 1012–1027. https://doi.org/10.1016/j.jbankfin.2011.10.012 68. Mathews, H. L., & Slocum, J. W. (1969),"Social Class and Commercial Bank Credit Card Usage",Journal of Marketing, 33(1), 71–78. https://doi.org/10.1177/002224296903300112 69. McKinney, G. J. (1984),"Commercial bank financial management: Macmillan, New York, and Collier Macmillan, London, 1983",Journal of Banking & Finance, 8(2), 376–379. 70. Mensah, C. (2013),"The Relationship between Loan Default and Repayment Schedule in Microfinance Institutions in Ghana: A Case Study of Sinapi Aba Trust",Research Journal of Finance and Accounting, 4(19), 165–175. 71. Moffatt, P. G. (2005),"Hurdle models of loan default",Journal of the Operational Research Society, 56(9), 1063–1071. https://doi.org/10.1057/palgrave.jors.2601922 72. Mokhtar, S. H., Nartea, G., & Gan, C. (2012),"Determinants of microcredit loans repayment problem among microfinance borrowers in Malaysia",International Journal of Business and Social Research, 2(7), 33–45. https://doi.org/10.18533/ijbsr.v2i7.118 73. Nguyễn Quốc Nghi (2013),"Các nhân tố ảnh hưởng đến khả năng trả nợ vay đúng hạn của nông hộ tại ngân hàng nông nghiệp và phát triển nông thôn chi nhánh Hậu Giang",Tạp chí Khoa học Trường Đại học Cần Thơ, 4(9), 85–91. 74. Nguyễn Văn Tề. (2013), Tín Dụng Ngân hàng, NXB Giao thông vận tải 75. Nguyễn Văn Tiến (2013), Quản trị ngân hàng thương mại, Nhà xuất bản thống kê. 76. Nguyễn Đăng Đờn (2013),Nghiệp vụ Ngân hàng Thương mại,NXB Lao động 112 77. Nawai, N., & Shariff, M. N. M. (2012), "Factors Affecting Repayment Performance in Microfinance Programs in Malaysia",Procedia - Social and Behavioral Sciences, 62, 806–811. https://doi.org/10.1016/j.sbspro.2012.09.136 78. Nawaz, K., Bock, J., & Jacobi, A. (2012),Thermal-Hydraulic Performance of Metal Foam Heat Exchangers, International Refrigeration and Air Conditioning Conference. https://docs.lib.purdue.edu/iracc/1283 79. Nijskens, R., & Wagner, W. (2011),"Credit risk transfer activities and systemic risk: How banks became less risky individually but posed greater risks to the financial system at the same time",Journal of Banking & Finance, 35(6), 1391– 1398. https://doi.org/10.1016/j.jbankfin.2010.10.001 80. Ohlson, J. A. (1980),"Financial Ratios and the Probabilistic Prediction of Bankruptcy",Journal of Accounting Research, 18(1), 109–131. JSTOR. https://doi.org/10.2307/2490395 81. Ojiako, I. A., & Ogbukwa, B. C. (2012),Economic analysis of loan repayment capacity of small- holder cooperative farmers in Yewa North Local Government Area of Ogun State, Nigeria. https://doi.org/10.5897/AJAR11.1302 82. Oni, O. A., Oladele, O. I., & Oyewole, I. K. (2005),"Analysis of factors influencing loan default among poultry farmers in ogun state nigeria",Journal of Central European Agriculture, 6(4), 619–624. 83. Phan Thị Thu Hà. (2013), Giáo trình Ngân hàng Thương Mại, NXB Đại học Kinh tế Quốc Dân 84. Pacelli, V., & Azzollini, M. (2011),"An Artificial Neural Network Approach for Credit Risk Management",Journal of Intelligent Learning Systems and Applications, 3(2), 720–726. https://doi.org/10.4236/jilsa.2011.32012 85. Pennington-Cross, A. (2000),Credit Risk and Mortgage Lending: Who Uses Subprime and Why? Research Institute for Housing America. 86. Peter, V. M., & Kerr, I. (2001),The influence of tax mix and tax policy on savings and capital formation in developing economies: a survey. 87. Peter, V., & Peter, R. (2011),Risk Management Model: An Empirical Assessment of the Risk of Default. 1, 14. 88. PhD, J. T. O. O., PhD, R. A., & PhD, M. U. A. (2007),"An Empirical Analysis of Microcredit Repayment in Southwestern Nigeria",Journal of Human Behavior in the Social Environment, 16(4), 37–55. https://doi.org/10.1300/10911350802081592 113 89. Stiglitz, J. E., & Weiss, A. (1981),"Credit Rationing in Markets with Imperfect Information",The American Economic Review, 71(3), 393–410. 90. Tokunaga, H. (1993),"The use and abuse of consumer credit: Application of psychological theory and research",Journal of Economic Psychology, 14(2), 285– 316. https://doi.org/10.1016/0167-4870(93)90004-5 91. Tra Pham, T. T., & Lensink, R. (2008),"Household Borrowing in Vietnam: A Comparative Study of Default Risks of Formal, Informal and Semi–formal Credit",Journal of Emerging Market Finance, 7(3), 237–261. https://doi.org/10.1177/097265270800700302 92. Trevino, L., & Thomas, S. (2000),The Statistical Determinants of Local Currency Sovereign Ratings (No. 00–158; Papers), University of Southampton - Department of Accounting and Management Science, https://ideas.repec.org/p/fth/sotoam/00-158.html 93. Trevino, Lourdes, & Thomas, S. (2000),Systematic Differences in the Determinants of Foreign Currency Sovereign Ratings by Rating Agency (SSRN Scholarly Paper ID 275345), Social Science Research Network. https://papers.ssrn.com/abstract=275345 94. Von Pischke, J. D., & Adams, D. W. (1980),"Fungibility and the Design and Evaluation of Agricultural Credit Projects",American Journal of Agricultural Economics, 62(4), 719–726. JSTOR. https://doi.org/10.2307/1239770 95. Wagner, W., & Marsh, I. W. (2006),"Credit risk transfer and financial sector stability". Journal of Financial Stability, 2(2), 173–193. https://doi.org/10.1016/j.jfs.2005.11.001 96. Westley, G. D. (2005),Microfinance in the Caribbean: How to Go Further. 97. Xiao, J. J., Noring, F. E., & Anderson, J. G. (1995),"College students’ attitudes towards credit cards",Journal of Consumer Studies & Home Economics, 19(2), 155–174. https://doi.org/10.1111/j.1470-6431.1995.tb00540.x 98. Zelizer, V. A. (1994),"The Creation of Domestic Currencies",The American Economic Review, 84(2), 138–142. 99. Zhang, Z. (2011), Research of Default Risk of Commercial Bank’s Personal Loan Based on Rough Sets and Neural Network, 2011 3rd International Workshop on Intelligent Systems and Applications, 1–4. https://doi.org/10.1109/ISA.2011.5873366 114 PHỤ LỤC 01 HƯỚNG DẪN PHỎNG VẤN CHUYÊN GIA VỀ NGUYÊN NHÂN GÂY RỦI RO VỠ NỢ CỦA KHÁCH HÀNG CÁ NHÂN 1. Giới thiệu Xin chào anh/chị Tôi xin chân thành cảm ơn sự đồng ý cũng như hợp tác của anh/chị đã nhận lời trả lời phỏng vấn của tôi. Các thông tin của quý anh/chị đều được giữ bí mật, nội dung chỉ tập trung vào quan điểm của anh chị trong lĩnh vực tín dụng KHCN. 2. Nội dung dự kiến (1) Anh/chị có thể cho biết những rủi ro về vỡ nợ của khách hàng cá nhân tại ngân hàng anh chị do những nguyên nhân chính nào? (2) Từ những nguyên nhân trên, anh/chị có đưa những giải pháp nào giúp hạn chế các rủi ro trên? Thời gian dự kiến:10-20 phút. Cảm ơn và kết thúc phỏng vấn 115 PHỤ LỤC 02 PHỎNG VẤN CHUYÊN GIA ĐỂ ĐƯA RA MỨC ĐỘ QUAN TRỌNG CỦA TỪNG YẾU TỐ RỦI RO VỠ NỢ CỦA KHÁCH HÀNG CÁ NHÂN Xin chào anh/chị Với những khía cạnh của nguyên nhân rủi ro vỡ nợ tín dụng khách hàng cá nhân và các giải pháp được gợi ý. Anh/chị có thể đánh giá mức độ quan trọng của từng khía cạnh. Thời gian dự kiến:10-20 phút. Cảm ơn và kết thúc phỏng vấn 116 PHỤ LỤC 02A NGUYÊN NHÂN DẪN TỚI RỦI RO TÍN DỤNG KHCN VỀ PHÍA KHÁCH HÀNG Phiếu khảo sát được tiến hành phát cho các cán bộ ngân hàng Mức độ quan trọng Sử dụng vốn không đúng mục đích 1 2 3 4 5 Hoạt động đầu tư có hiệu quả thấp 1 2 3 4 5 Do khách hàng gian lận trong quá trình nộp hồ sơ vay vốn 1 2 3 4 5 Tương tác với phía ngân hàng hạn chế 1 2 3 4 5 Đa dạng hóa danh mục đầu tư từ khoản vay không hiệu quả. 1 2 3 4 5 1- Rất không quan trọng; 2- Không quan trọng; 3- Bình thường; 4- Quan trọng; 5- Rất quan trọng 117 PHỤ LỤC 02B NGUYÊN NHÂN DẪN TỚI RỦI RO TÍN DỤNG KHCN VỀ PHÍA NGÂN HÀNG Phiếu khảo sát được tiến hành phát cho các cán bộ ngân hàng Mức độ quan trọng Rủi ro tín dụng do thiếu thông tin của khách hàng 1 2 3 4 5 Do ý muốn chủ quan của của người xét duyệt/người cấp tín dụng 1 2 3 4 5 Do áp lực phải hoàn thành chỉ tiêu kế hoạch hàng năm được giao 1 2 3 4 5 Thiếu giám sát và quản lý sau khi cho vay 1 2 3 4 5 Hệ thống chấm điểm tín dụng chưa phù hợp 1 2 3 4 5 Hệ thống kiểm soát rủi ro khi cho vay không chặt chẽ. 1 2 3 4 5 1- Rất không quan trọng; 2- Không quan trọng; 3- Bình thường; 4- Quan trọng; 5- Rất quan trọng 118 PHỤ LỤC 02C GIẢI PHÁP HẠN CHẾ RỦI RO TÍN DỤNG KHCN Mức độ quan trọng Ngân hàng phải có các phương pháp cho phép định lượng các rủi ro liên quan đến khách hàng vay vốn 1 2 3 4 5 Việc phân tích các rủi ro tín dụng nên được thực hiện ở tần suất thích hợp với kết quả kiểm tra các hạn mức liên quan. 1 2 3 4 5 Định kỳ đánh giá tính hiệu quả của chính sách rủi ro tín dụng và đánh giá thực tế chất lượng khoản cho vay 1 2 3 4 5 Cho phép sớm thực hiện các biện pháp xử lý như tài sản đảm bảo 1 2 3 4 5 Giảm khả năng khách hàng không trả được nợ vay thông qua các biện pháp xử lý như đàm phán sửa đổi lịch trả nợ và các điều khoản khác, hoặc tăng tài sản đảm bảo 1 2 3 4 5 Ngân hàng phải thiết lập một quy trình rõ ràng về việc cấp một khoản tín dụng mới cũng như mở rộng các tín dụng hiện tại 1 2 3 4 5 Để đảm bảo có danh mục tín dụng đúng đắn, ngân hàng phải thiết lập quy trình chính thức cho việc đánh giá và phê duyệt cấp tín dụng. Việc phê duyệt phải làm đúng theo quy định đã được văn bản hóa và được cấp quản lý theo quy định phê duyệt. 1 2 3 4 5 Mở rộng phạm vi chịu trách nhiệm của các bộ phận chức năng quản trị tín dụng phụ thuộc vào qui mô và độ phức tạp của từng ngân hàng. 1 2 3 4 5 Các nhân viên chức năng có trách nhiệm giám sát chất lượng tín dụng, bao gồm việc đảm bảo rằng các thông tin liên quan đã được chuyển đến những người có trách nhiệm đánh giá rủi ro tín dụng bên trong 1 2 3 4 5 1- Rất không quan trọng; 2- Không quan trọng; 3- Bình thường; 4- Quan trọng; 5- Rất quan trọng 119 PHỤC LỤC 3 CÁC KẾT QUẢ CHẠY MÔ HÌNH Thống kê mô tả ================================================================= Statistic N Mean St. Dev. Min Pctl(25) Pctl(75) Max ----------------------------------------------------------------- edu 5,498 21.769 6.250 12 17 26 36 age 5,498 32.823 9.514 20 23 41 53 size 5,498 4.993 0.801 4 4 6 6 Numberdepend 5,498 3.027 1.128 1 2 4 5 number 5,498 552.107 259.918 100 328 773 1,000 time 5,498 14.207 6.793 1 11 18 30 pay_income 5,498 0.397 0.118 0.200 0.300 0.500 0.600 ----------------------------------------------------------------- Hồi quy Logisitic logit1 <- glm(data=d,DL~edu+gender+married+lltp+shkd+age+size+Numberdepend+number+job +pos+time+COMP+income+exp+sit+obj+Djob+ASS+pay_income+BHNT,family=binomial) > summary(logit1) Call: glm(formula = DL ~ edu + gender + married + lltp + shkd + age + size + Numberdepend + number + job + pos + time + COMP + income + exp + sit + obj + Djob + ASS + pay_income + BHNT, family = binomial, data = d) Deviance Residuals: Min 1Q Median 3Q Max -2.60050 -0.23077 0.02804 0.16710 2.82412 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 1.420e+01 8.484e-01 16.737 < 2e-16 *** eduTC 2.253e-01 1.951e-01 1.155 0.248272 eduCD_DH -6.597e-01 1.915e-01 -3.445 0.000571 *** eduSDH -8.975e-02 1.369e-01 -0.655 0.512187 genderMale 8.570e-01 1.421e-01 6.030 1.64e-09 *** marriedMarried -6.551e-01 1.146e-01 -5.716 1.09e-08 *** lltpgood 6.929e-01 2.229e-01 3.109 0.001879 ** shkdlamchu -4.957e+00 1.703e-01 -29.114 < 2e-16 *** age -7.294e-02 8.916e-03 -8.181 2.82e-16 *** size -2.300e-01 9.663e-02 -2.380 0.017301 * Numberdepend 5.282e-02 7.072e-02 0.747 0.455127 number 8.813e-06 3.174e-04 0.028 0.977847 job 1.744e+00 1.001e+00 1.742 0.081507 . posTruongBoPhan -2.337e-02 2.071e-01 -0.113 0.910178 posNhanvien 5.550e-01 3.011e-01 1.843 0.065263 . time -2.264e-02 1.054e-02 -2.147 0.031771 * COMP -5.450e-01 1.414e-01 -3.854 0.000116 *** income -1.218e-01 1.071e-02 -11.377 < 2e-16 *** expTrung -1.323e+00 2.322e-01 -5.696 1.23e-08 *** expDai -8.374e-01 2.398e-01 -3.492 0.000480 *** sitCham1 -8.901e-02 1.550e-01 -0.574 0.565849 sitChamHon2 1.410e+00 2.621e-01 5.378 7.54e-08 *** objDungMucDich 2.248e-01 1.134e-01 1.983 0.047378 * DjobDjob 5.236e-01 1.137e-01 4.605 4.12e-06 *** ASSBDS -1.793e+00 1.247e-01 -14.375 < 2e-16 *** pay_income 4.287e-01 4.787e-01 0.896 0.370498 BHNTYes -1.098e+00 2.286e-01 -4.805 1.55e-06 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 120 Dự báo chính xác hồi quy Logistic Dự báo NonDefault Default Default 257 2541 NonDefault 2439 261 Dự báo cho dữ liệu 500 khách hàng qua hồi quy Logistic vừa xây dựng Confusion Matrix and Statistics Reference Prediction NonDefault Default NonDefault 181 27 Default 50 242 Accuracy : 0.846 95% CI : (0.8113, 0.8765) No Information Rate : 0.538 P-Value [Acc > NIR] : < 2e-16 Kappa : 0.688 Mcnemar's Test P-Value : 0.01217 Sensitivity : 0.7835 Specificity : 0.8996 Pos Pred Value : 0.8702 Neg Pred Value : 0.8288 Prevalence : 0.4620 Detection Rate : 0.3620 Detection Prevalence : 0.4160 Balanced Accuracy : 0.8416 'Positive' Class : NonDefault Ước lượng mô hình Probit Call: NULL Deviance Residuals: Min 1Q Median 3Q Max -2.56362 -0.21201 0.00387 0.12975 2.84189 Coefficients: Estimate Std. Error z value Pr(>|z|) (Intercept) 7.748e+00 4.529e-01 17.108 < 2e-16 *** eduTC 1.306e-01 1.068e-01 1.223 0.221288 eduCD_DH -3.686e-01 1.040e-01 -3.545 0.000393 *** eduSDH -3.664e-02 7.617e-02 -0.481 0.630440 genderMale 4.750e-01 7.882e-02 6.026 1.68e-09 *** marriedMarried -3.535e-01 6.239e-02 -5.666 1.46e-08 *** lltpgood 3.738e-01 1.164e-01 3.212 0.001316 ** shkdlamchu -2.771e+00 8.800e-02 -31.491 < 2e-16 *** age -3.696e-02 4.886e-03 -7.565 3.88e-14 *** size -1.152e-01 5.342e-02 -2.157 0.031033 * Numberdepend 2.243e-02 3.855e-02 0.582 0.560707 number -5.108e-05 1.735e-04 -0.294 0.768435 job 9.979e-01 5.164e-01 1.932 0.053307 . posTruongBoPhan 7.210e-03 1.132e-01 0.064 0.949206 121 posNhanvien 3.092e-01 1.641e-01 1.884 0.059518 . time -1.663e-02 5.744e-03 -2.895 0.003794 ** COMP -2.782e-01 7.791e-02 -3.571 0.000355 *** income -6.825e-02 5.793e-03 -11.781 < 2e-16 *** expTrung -7.277e-01 1.268e-01 -5.740 9.46e-09 *** expDai -4.789e-01 1.310e-01 -3.655 0.000257 *** sitCham1 -5.089e-03 8.279e-02 -0.061 0.950985 sitChamHon2 -7.500e-01 1.440e-01 -5.208 1.91e-07 *** objDungMucDich 1.027e-01 6.215e-02 1.653 0.098401 . DjobDjob 3.074e-01 6.253e-02 4.917 8.80e-07 *** `ASSBÄ\\220S` -9.535e-01 6.771e-02 -14.083 < 2e-16 *** pay_income 2.278e-01 2.624e-01 0.868 0.385316 BHNTYes -5.828e-01 1.234e-01 -4.722 2.34e-06 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 (Dispersion parameter for binomial family taken to be 1) Null deviance: 7619.8 on 5497 degrees of freedom Residual deviance: 2214.8 on 5471 degrees of freedom AIC: 2268.8 Number of Fisher Scoring iterations: 8 Dự báo chính xác của mô hình Probit Confusion Matrix and Statistics Reference Prediction NonDefault Default NonDefault 183 29 Default 48 240 Accuracy : 0.846 95% CI : (0.8113, 0.8765) No Information Rate : 0.538 P-Value [Acc > NIR] : < 2e-16 Kappa : 0.6884 Mcnemar's Test P-Value : 0.04024 Sensitivity : 0.7922 Specificity : 0.8922 Pos Pred Value : 0.8632 Neg Pred Value : 0.8333 Prevalence : 0.4620 Detection Rate : 0.3660 Detection Prevalence : 0.4240 Balanced Accuracy : 0.8422 'Positive' Class : NonDefault 122 Dự báo mô hình trí tuệ nhân tạo ANN network$result.matrix [,1] error 2.111095e+02 reached.threshold 9.626915e-03 steps 4.128000e+03 Intercept.to.DL 1.527642e+00 edu.to.DL 1.075725e-02 gender.to.DL 4.297544e-02 married.to.DL -3.726653e-02 lltp.to.DL 5.349454e-02 shkd.to.DL -5.097059e-01 age.to.DL -4.908806e-03 size.to.DL -2.816032e-03 Numberdepend.to.DL 3.303935e-03 number.to.DL -3.016145e-05 pos.to.DL 2.770700e-02 time.to.DL -2.951668e-03 COMP.to.DL -3.955029e-02 income.to.DL -7.765418e-03 exp.to.DL -6.890702e-02 sit.to.DL -3.007846e-02 obj.to.DL 1.397992e-02 Djob.to.DL 4.479433e-02 ASS.to.DL -1.302112e-01 pay_income.to.DL 7.246280e-02 BHNT.to.DL -1.440990e-01 Khả năng dự báo của mô hình ANN với 500 mẫu kiểm tra FALSE TRUE 0 184 47 1 34 235 123 Dự báo mô hình Random Forest Confusion Matrix and Statistics Reference Prediction NonDefault Default NonDefault 2696 0 Default 0 2802 Accuracy : 1 95% CI : (0.9993, 1) No Information Rate : 0.5096 P-Value [Acc > NIR] : < 2.2e-16 Kappa : 1 Mcnemar's Test P-Value : NA Sensitivity : 1.0000 Specificity : 1.0000 Pos Pred Value : 1.0000 Neg Pred Value : 1.0000 Prevalence : 0.4904 Detection Rate : 0.4904 Detection Prevalence : 0.4904 Balanced Accuracy : 1.0000 'Positive' Class : NonDefault Dự báo trên 500 mẫu kiểm tra Confusion Matrix and Statistics Reference Prediction NonDefault Default NonDefault 217 0 Default 14 269 Accuracy : 0.972 95% CI : (0.9535, 0.9846) No Information Rate : 0.538 P-Value [Acc > NIR] : < 2.2e-16 Kappa : 0.9434 Mcnemar's Test P-Value : 0.000512 Sensitivity : 0.9394 Specificity : 1.0000 Pos Pred Value : 1.0000 Neg Pred Value : 0.9505 Prevalence : 0.4620 Detection Rate : 0.4340 Detection Prevalence : 0.4340 Balanced Accuracy : 0.9697 'Positive' Class : NonDefault