Với kết quả ước lượng từ 4 mô hình (Hồi quy Logistic, hồi quy Probit, mô hình
mạng trí tuệ nhân tạo ANN và mô hình rừng ngẫu nhiên Random Forest) chỉ ra về khả
năng dự báo chính xác của các mô hình đều cho kết quả trên 83%. Bên cạnh đó, qua
mô hình hồi quy Logistic và Probit đã chỉ ra ảnh hưởng của từng yếu tố lên khả năng
vỡ nợ của khách hàng. Để phân tích các yếu tố ảnh hưởng lên khả năng trả nợ của
khách hàng, NCS tiến hành phân tích dựa trên mô hình Logit hoặc Probit (mô hình có
khả năng dự báo tốt tương đương với Probit và mức ý nghĩa của các biến như nhau
giữa hai mô hình). Với kết quả phân tích này, NCS đưa ra một số phân tích cũng như
thảo luận kết quả nghiên cứu như sau:
Về giới tính của khách hàng vay vốn cũng có ảnh hưởng lên khả năng vỡ nợ.
Cụ thể, các khách hàng là nam giới sẽ có khả năng vỡ nợ cao hơn nữ giới. Có thể thấy
rằng, các cá nhân là nam giới thường có nhiều thời gian dành cho công việc hơn nữ giới
(do nữ giới có thêm những công việc thường ngày cho gia đình). Tuy vậy, với nữ giới có
tham vọng kinh doanh thì những kế hoạch của họ gần như được chuẩn bị cũng như tính
toán kĩ hơn. Do đó, với các khoản vay cá nhân thì nữ giới lại có xu hướng trả nợ tốt hơn
so với nam giới. Nam giới thường hay sử dụng nợ khi cần thực hiện các dự án đầu tư. Còn
nữ giới lại có xu hướng hạn chế các khoản nợ. Do vậy, việc kiểm soát các khoản vay nợ
của nữ giới trở lên tốt hơn so với nam giới (Herron, 2014). Cũng theo nghiên cứu của
Herron (2014) thì nam giới thường thoải mái hơn trong việc vay thêm nợ, họ cũng gặp rắc
rối tài chính thường xuyên hơn. Nghiên cứu nhận thấy rằng, đàn ông có nhiều khả năng
trả chậm hơn 60 ngày trong thanh toán thế chấp so với phụ nữ - 5,7% so với 5,3%.
133 trang |
Chia sẻ: tueminh09 | Ngày: 09/02/2022 | Lượt xem: 401 | Lượt tải: 1
Bạn đang xem trước 20 trang tài liệu 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, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
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