Mô hình cảnh báo rủi ro tín dụng khách hàng cá nhân cho các ngân hàng thương mại Việt Nam

Bài viết đề một mô hình cảnh báo rủi ro tín dụng nhằm ước tính xác suất vỡ nợ của các khách hàng cá nhân giúp các ngân hàng thương mại có thể giảm thiểu được rủi ro tín dụng.

Chun mục: Tài - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) MƠ HÌNH CẢNH BÁO RỦI RO TÍN DỤNG KH CH HÀNG C NHÂN CHO C C NGÂN HÀNG THƢƠNG MẠI VIỆT NAM Nguyễn Văn Huân1, Đỗ Năng Thắng2 T m tắt Các nhà kinh t thường gọi Ngân hàng “ngành inh doanh rủi ro” Thực t chứng minh không ngành mà khả dẫn đ n rủi ro lại lớn lĩnh vực kinh doanh tiền tệ- tín d ng Ngân hàng phải gánh chịu rủi ro nguyên nhân chủ quan mình, mà cịn phải gánh chịu rủi ro khách hàng gây Vì “rủi ro tín d ng Ngân hàng c p s cộng mà c p s nhân rủi ro kinh t ” Với vai trò quan trọng báo đề xu t mô hình cảnh báo rủi ro tín d ng nh m ước tính xác su t vỡ nợ khách hàng cá nhân giúp cá ngân hàng thư ng mại giảm thiểu rủi ro tín d ng Từ khóa: Mơ hình cảnh báo, rủi ro tín d ng, mơ hình logistics, hách hàng cá nhân MODEL OF CREDIT RISK WARNING FOR INDIVIDUAL CUSTOMERS FOR COMMERCIAL BANKS IN VIETNAM Abstract Economists often refer the bank as "a risky business" There is a proved fact that no business may get involved in higher risks than the credit-money business The bank has to bear not only the risk caused by itself but also the risks from its customers Thus, "the bank's credit risk may not be an accumulated but a multiplied source of risks for the whole economy" Addressing a critical issue, this paper proposes a model of credit risk warning for individual customers to help commercial banks to minimize credit risks Key words: Warning model, credit risk, logistics model, individual customer Merton (1974) có vai trị mang tính khai sáng Giới thiệu quản trị rủi ro tín dụng vài trò Cuộc khủng hoảng tài châu n m mơ hình Black-Scholes định giá quyền 1997 khủng hoảng toàn c u n m 2008 chọn [6] Tuy nhiên hạn chế mơ hình dựa nhen nhóm lại ngun nhân triệu chứng giả định doanh nghiệp có khoản nợ khủng hoảng tài tiềm n ng Nếu trả nợ thời điểm triệu chứng phát Mơ hình điểm số Z E.I.Altman khởi tạo n m trước, phủ áp dụng biện pháp 1977 thông thường sử dụng xếp hạng tín phịng ngừa để ng n chặn khủng hoảng nhiệm doanh nghiệp Mơ hình để giảm thiểu tác động bất lợi d ng để đo xác suất vỡ nợ khách hàng thông khủng hoảng kinh tế nước Việt qua đặc điểm khách hàng Đại Nam thực cam kết mở cửa thị trường lượng Z thước đo tổng hợp để phân loại rủi ro lĩnh vực tài - ngân hàng, thực tế hội người vay phụ thuộc vào yếu tố tài nhập khu vực giới mang lại người vay Mơ hình CreditMetrics, hội cho ngân hàng Việt Nam đồng thời JP Morgan giới thiệu vào n m 1997, phát sinh nhiều thách thức rủi ro mức cao mơ hình sử dụng phổ biến thực tiễn Các yếu tố rủi ro lĩnh vực kinh doanh Mơ hình xem có nguồn gốc từ mô ngân hàng ngày trở nên phức tạp c n có hình Merton, nhiên có điểm khác biệt giải pháp phòng ngừa kịp thời Việc xây dựng hệ mơ hình CreditMetrics với Merton thống cảnh báo sớm c n thiết đặc biệt ngưỡng phá sản mô hình CreditMetrics bối cảnh hội nhập quốc tế ngày sâu, rộng xác định từ xếp hạng tín dụng khơng Hiện giới có số cơng trình phải từ khoản nợ Do đó, mơ hình cho tiêu biểu cảnh báo rủi ro tín dụng mơ hình 86 Chun mục: Tài - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) phép xác định xác suất vỡ nợ xác suất suy giảm tín dụng [1] Ở Việt Nam có số cơng trình cơng trình tác giả Lê V n Tuấn n m 2016 ―Khám phá thú vị ph n mềm R định lượng rủi ro tín dụng‖ nghiên cứu tác giả nghiên cứu ứng dụng mơ hình KMV vào cảnh báo rủi ro tín dụng [2] hay cơng trình nghiên cứu thứ tác giả Lê V n Tuấn ―Ứng dụng mô hình Merton giảng dạy rủi ro tín dụng định giá trái phiếu cho sinh viên ngành tài chính‖ cơng trình nghiên cứu làm rõ mơ hình Merton ứng dụng cảnh báo rủi ro tín dụng ngân hàng thương mại Việt Nam [3] Cơng trình nghiên cứu Nguyễn Phi Lân ―Mơ hình cảnh báo sớm sách hướng tới ổn định kinh tế vĩ mô‖ Theo tác giả việc cảnh báo sớm rủi ro kinh tế vĩ mô khủng hoảng tiền tệ tác giả xây dựng dựa mô hình cảnh báo sớm (EWS) tham số [4] Tuy nhiên mơ hình phức tạp khó áp dụng phù hợp với tình hình thực tế ngân hàng thương mại Việt Nam Xuất phát từ nhu c u đó, nhóm tác giả khảo sát, nghiên cứu đề xuất yếu tố tác động đến khả n ng trả nợ khác hàng tiến hành khảo sát Phƣơng pháp nghiên cứu hình l thuyết – mơ hình Logistics Mơ hình Logistic (Maddala, 1983) [5] mơ hình định lượng biến phụ thuộc biến giả, nhận giá trị Mơ hình đượcứng dụng rộng rãi phân tích kinh tế nói chung rủi ro tín dụng nói riêng Cụ thể hơn, mơ hình giúp Ngân hàng xác định khả n ngkhách hàng có rủi ro tín dụng (biến phụ thuộc) sở sử dụng nhân tố có ảnh hưởng đến khách hàng (biến độc lập) Cấu trúc liệu mơ hình Logistic 2.1 Biến Bảng 1: Mô tả bi n ph thuộc độc lập Ký hiệu Loại Phụ thuộc Độc lập Y X Nhị phân Liên tục rời rạc Y biến nhị phân nhận hai giá trị Y = 0: Khách hàng khơng có khả n ng trả nợ Y = 1: Khách hàng có khả n ng trả nợ Xác suất để Y = P Xác suất để Y = 1: - P Có loại hồi quy logit: Hồi quy logit đơn biến: p Đề tài sử dụng liệu gồm 240 mẫu quan sát Sử dụng ph n mềm SPSS làm liệu chạy mơ hình dựa lý thuyết hồi quy Binary logistics Maddala xuất n m 1983 để tìm tác động yếu tố riêng biệt khách hàng ảnh hưởng đến khả n ng trả nợ họ [5] Nhóm tác giả rõ thứ tự mức độ ảnh hưởng nhân tố định đến khả n ng trả nợ khách hàng cá nhân, từ giúp nhà quản lý ngân hàng có nhìn trực quan tốt để định cho vay xác, hạn chế rủi ro 1  e ( 0  1 X ) e 0  1 X   e 0  1 X Trong đó:p xác suất để Y = Suy ra: 1 p   e 0  1 X Odds kiện xảy ra: p  e 0  1 X   e 0  1 X  ( 0  1 X ) 1 p 1 e p Ln(Odds)  Ln( )  ln(e0  1X )  0  1 X 1 p Odds  Hay : Logit  Ln(Odds)  0  1 X Xem xét thay đổi Odds biến độc lập (biến giải thích) X gia t ng thêm đơn vị (từ X lên X +1) Chúng ta có: Khi X  X   Ln(Odds1 )  0  1 X Khi X  X   Ln(Odds )  0  1 ( X  1)  Ln(Odds1 )  1  1  Ln(Odds )  Ln(Odds1 )  Ln( Odds )  LnOR Odds1  OR  e 1 87 Chuyên mục: Tài - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) Ý nghĩa: Gia t ng đơn vị biến độc lập Odds e 1 l n so với Odds Nếu e 1  (hay β1> 0) Odds2 t Odds (Odds = 1 e 1 (hay e 1 ng gấp e 1 l n *Odds ) ngược lại β1< 0) Odds2 giảm e 1 l n Odds Cũng hồi quy tuyến tính, ước lượng tham số β0 β1 từ mẫu, dùng kiểm định thống kê phù hợp để xem xét ý nghĩa thống kê chúng THU NHẬP Giả thuyết kiểm định là: H0: β1 =  biến độc lập không tác động đến xác suất xảy kiện; H1: β1 ≠  biến độc lập có tác động đến xác suất xảy kiện Trường hợp hồi quy logit bội (Multiple logistic regression) thì: Logit = Ln(Odds) = β0 + β1X1 + …+ βkXk ĐẶC ĐIỂM CÔNG VIỆC CHỨC VỤ CÔNGVIỆC TSĐ /TỔNG NỢ Khả n ng TRẢ NỢ THỜI GIAN VAY VỐN MỤC ĐÍCH SỬ DỤNGVỐN TRÌNH ĐỘ SỐ NGƯỜI PHỤTHUỘC Hình Mơ hình y u t tác động đ n khả trả nợ hách hàng cá nhân Y = 1: Nếu khách hàng có khả n ng trả nợ 2.2 hình nghiên cứu đánh giá rủi ro tín Y = 0: Nếu khách hàng khơng có khả n ng dụng hách hàng cá nhân Bi n ph thuộc trả nợ Y: Trả nợ Bi n động lập Bảng 2: Thông tin bi n độc lập Kí hiệu Dấu ỳ STT Tên biến Thang đo đơn vị đo biến quan vọng sát Thu nhập hàng tháng Triệu đồng + X1 1: Lãnh đạo Chức vụ công việc + X2 0: Nhân viên 1: Ổn định Đặc điểm công việc + X3 0: Không ổn định Giá trị tài sản đảm bảo tổng nợ % + X4 Thời gian vay Tháng X5 1: Mua nhà đất Mục đích sử dụng vốn 2: Mua xe + X6 3: Mục đích khác 1: Từ đại học trở lên Trình độ + X7 0: Dưới đại học Số người phụ thuộc Người X8 88 Chun mục: Tài - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) Phư ng trình hồi quy logistic tổng qt có liệu sử dụng mơ hình hồi quy Binary dạng: logistics để tìm tác động yếu tố riêng biệt khách hàng ảnh hưởng đến khả Ln(odds) = + + + n ng trả nợ họ + + 2.3 guồn số liệu Kết nghiên cứu thảo luận ài báo sử dụng liệu điều tra từ 240 3.1 Hệ thống kiểm định mơ hình mẫu quan sát thu thập thông qua bảng hỏi Kiểm dịnh Wald gửi tới khách hàng cá nhân, người có Thực phân tích hồi quy Binary logistics hợp đồng vay vốn với ngân hàng Nghiên cứu sử SPSS ( Sig