6. Kết cấu đề tài
2.4.3. Kết quả nghiên cứu
Ước lượng mô hình Logistic với đầy đủ 13 biến độc lập, ta thu được kết quả sau :
Bảng 2.5. Hồi quy mô hình Logistic với đầy đủ các biến
Dependent Variable: Y
Method: ML - Binary Logit (Quadratic hill climbing) Date: 08/12/15 Time: 20:46
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error z-Statistic Prob.
C 2.410023 5.671491 0.424936 0.6709 X1 -0.196728 0.511856 -0.384342 0.7007 X2 0.596347 0.354297 1.683185 0.0923 X3 1.296002 0.736306 1.760139 0.0784 X4 14.65523 13.35109 1.097681 0.2723 X5 -0.376522 0.350015 -1.075732 0.2820 X6 -0.123610 0.451454 -0.273805 0.7842 X7 -0.111415 0.192370 -0.579172 0.0625 X8 -7.604501 3.627659 -2.096256 0.0361 X9 4.735887 3.865709 1.225102 0.2205 X10 8.352532 8.139383 1.026187 0.3048 X11 -12.95394 12.15550 -1.065685 0.2866 X12 -1.897906 0.795895 -2.384617 0.0171 X13 -1.206843 3.763478 -0.320672 0.7485
Từ bảng trên ta thấy hệ số prob của biến X1 = 0.7007, X4 = 0.2723, X5 = 0.2820, X6 = 0.7842, X9 = 0.2205, X10 = 0.3048, X11 = 0.2866, X13= 0.7485 khá lớn. Với mức ý nghĩa 10% thì các biến này không có ý nghĩa thống kê. Nguyên nhân là do sự tương quan giữa các biến với nhau.
Xét cặp biến X6 có prob= 0.7842 và X13 có prob = 0.7485, hai biến này có prob rất lớn nên hệ số của nó rất có khả năng bằng 0. Để kiểm chứng điều này tiếp tục thực hiện kiểm định Wald test như sau:
H1: ít nhất 1 hệ số khác 0.
Bảng 2.6. Kết quả kiểm định Wald Test biến X6 và X13
Wald Test:
Equation: Untitled
Test Statistic Value df Probability
F-statistic 0.078940 (2, 86) 0.9242
Chi-square 0.157879 2 0.9241
Null Hypothesis: C(7) = C(14) = 0
Với mức ý nghĩa 10%, cả hai trường hợp đều có Prob > 0.1. Chấp nhận giả thiết H0, loại bỏ biến X6 và X13 ra khỏi mô hình. Hồi quy lại mô hình khi không có X6 và X13 ta có:
Bảng 2.7. Hồi quy mô hình Logistic sau khi loại trừ biến X6 và X13
Dependent Variable: Y
Method: ML - Binary Logit (Quadratic hill climbing) Date: 08/12/15 Time: 20:56
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error z-Statistic Prob. C 0.706993 3.210760 0.220195 0.8257 X1 -0.203108 0.509751 -0.398446 0.6903 X2 0.599028 0.354419 1.690170 0.0910 X3 1.239051 0.714361 1.734487 0.0828 X4 14.97438 13.36184 1.120682 0.2624 X5 -0.389286 0.335908 -1.158909 0.2465 X7 0.116359 0.191705 -0.606968 0.0439 X8 7.586306 3.604709 -2.104554 0.0353 X9 4.729932 3.843399 1.230664 0.2184 X10 8.281521 8.105740 1.021686 0.3069 X11 -14.28628 11.52012 -1.240115 0.2149 X12 1.922192 0.789248 -2.435472 0.0149
Xét cặp biến X1 có prob = 0.6903 và X10 có prob = 0.3069, hai biến này có prob rất lớn nên hệ số của nó rất có khả năng bằng 0. Để kiểm chứng điều này tiến hành thực hiện kiểm định Wald test như sau:
H0: C(2) = C(10) = 0
H1: ít nhất 1 hệ số khác 0.
Bảng 2.8. Kết quả kiểm định Wald Test biến X1 và X10
Wald Test:
Equation: Untitled
Test Statistic Value df Probability F-statistic 0.622198 (2, 88) 0.5391 Chi-square 1.244396 2 0.5368
Null Hypothesis: C(2) = C(10) = 0
Với mức ý nghĩa 10%, cả hai trường hợp đều có Prob > 0.1. Chấp nhận giả thiết H0, loại bỏ biến X1 và X10 ra khỏi mô hình. Hồi quy lại mô hình khi không có X1 và X10 ta có:
Bảng 2.9. Hồi quy mô hình Logistic sau khi loại trừ biến X1 và X10
Dependent Variable: Y
Method: ML - Binary Logit (Quadratic hill climbing) Date: 08/12/15 Time: 21:11
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error z-Statistic Prob.
C 1.743817 2.848850 0.612113 0.5405
X2 0.509667 0.338715 1.504710 0.0324
X3 1.176263 0.705299 1.667750 0.0954
X4 13.91575 13.24237 1.050850 0.2933
X7 0.117221 0.187852 -0.624007 0.0326
X8 7.373069 3.548050 -2.078063 0.0377
X9 4.336037 3.804531 1.139704 0.2544
X11 -15.21891 11.41927 -1.332739 0.1826
X12 1.933068 0.769772 -2.511222 0.0120
Xét cặp biến X4 có prob = 0.2933 và X9 có prob = 0.2544, hai biến này có prob rất lớn nên hệ số của nó rất có khả năng bằng 0. Để kiểm chứng điều này tiến hành thực hiện kiểm định Wald test như sau:
H0: C(4) = C(8) = 0 H1: ít nhất 1 hệ số khác 0.
Bảng 2.10. Kết quả kiểm định Wald Test biến X4 và X9
Wald Test:
Equation: Untitled
Test Statistic Value df Probability F-statistic 1.577809 (2, 90) 0.2121
Chi-square 3.155619 2 0.2064
Null Hypothesis: C(4) = C(8) = 0
Với mức ý nghĩa 10%, cả hai trường hợp đều có Prob > 0.1. Chấp nhận giả thiết H0, loại bỏ biến X4 và X9 ra khỏi mô hình. Hồi quy lại mô hình khi không có X4 và X9 ta có:
Bảng 2.11. Hồi quy mô hình Logistic sau khi loại trừ biến X4 và X9
Dependent Variable: Y
Method: ML - Binary Logit (Quadratic hill climbing) Date: 08/12/15 Time: 21:24
Sample: 1 100
Included observations: 100
Variable Coefficient Std. Error z-Statistic Prob.
X2 0.411586 0.313816 1.311552 0.0897 X3 1.091503 0.688572 1.585169 0.0129 X5 -0.482744 0.328465 -1.469700 0.1416 X7 0.161425 0.178827 -0.902689 0.0667 X8 7.746916 3.442609 -2.250304 0.0244 X11 -14.48225 11.20786 -1.292151 0.1963 X12 1.923131 0.750681 -2.561849 0.0104
Xét cặp biến X5 có prob = 0.1416 và X11 có prob = 0.1963, hai biến này có prob rất lớn nên hệ số của nó rất có khả năng bằng 0. Để kiểm chứng điều này tiến hành thực hiện kiểm định Wald test như sau:
H0: C(4) = C(7) = 0 H1: ít nhất 1 hệ số khác 0.
Bảng 2.12. Kết quả kiểm định Wald Test biến X5 và X11
Wald Test:
Equation: Untitled
Test Statistic Value df Probability F-statistic 1.802268 (2, 92) 0.1707
Chi-square 3.604535 2 0.1649
Null Hypothesis: C(4) = C(7) = 0
Với mức ý nghĩa 10%, cả hai trường hợp đều có Prob > 0.1. Chấp nhận giả thiết H0, loại bỏ biến X5 và X11 ra khỏi mô hình. Hồi quy lại mô hình khi không có X5 và X11 ta có:
Bảng 2.13. Hồi quy mô hình Logistic sau khi loại trừ biến X5 và X11
Dependent Variable: Y
Method: ML - Binary Logit (Quadratic hill climbing) Date: 08/12/15 Time: 21:28
Sample: 1 100
Included observations: 100
C 1.131110 1.731087 0.653411 0.5135 X2 0.464598 0.298772 1.555028 0.0199 X3 0.961361 0.661483 1.453341 0.0461 X7 0.116382 0.174395 -0.667349 0.0045 X8 6.691121 3.336977 -2.005144 0.0449 X12 1.601879 0.701771 -2.282623 0.0225
Nhận thấy kết quả hồi quy trên đã có ý nghĩa thống kê với mức ý nghĩa 10%. Từ đó xác suất xuất hiện nợ xấu của mỗi doanh nghiệp sẽ được tính dựa trên phương trình sau:
pi = exp(𝑋𝑖𝛽) 1+exp(𝑋𝑖𝛽)
= exp(1.131110 + 0.464598 ∗ 𝑋2 + 0.961361 ∗ 𝑋3 + 0.116382 ∗ 𝑋7 + 6.691121 ∗ 𝑋8 + 1.601879 ∗ 𝑋12) 1 + exp(1.131110 + 0.464598 ∗ 𝑋2 + 0.961361 ∗ 𝑋3 + 0.116382 ∗ 𝑋7 + 6.691121 ∗ 𝑋8 + 1.601879 ∗ 𝑋12)
Từ những kết quả nêu trên, tác giả đã tổng hợp kết quả xác suất xuất hiện nợ xấu của mỗi doanh nghiệp, đồng thời so sánh kết quả xếp hạng tín dụng của doanh nghiệp (theo hệ thống xếp hạng của ngân hàng) với xác suất xuất hiện nợ xấu (theo ứng dụng mô hình logistic) cụ thể như sau:
Bảng 2.14. So sánh kết quả xếp hạng tín dụng của doanh nghiệp (theo hệ thống xếp hạng của ngân hàng) với xác suất xuất hiện nợ xấu (theo ứng dụng mô
hình logistic) STT DN Xếp hạng pi STT DN Xếp hạng pi 1 AAA 0.03853 51 BBB 0.31349 2 AAA 0.05383 52 BBB 0.30879 3 AA 0.07168 53 BBB 0.29185 4 AA 0.08878 54 BBB 0.27449 5 AA 0.14384 55 BBB 0.30101 6 AA 0.11356 56 BBB 0.28584 7 AA 0.14616 57 BBB 0.28616 8 AA 0.12389 58 BBB 0.29846 9 AA 0.14193 59 BBB 0.30102 10 AA 0.1226 60 BBB 0.29322 11 AA 0.14681 61 BBB 0.30672
12 A 0.12946 62 BBB 0.30857 13 A 0.23488 63 BB 0.28002 14 A 0.20584 64 BB 0.33134 15 A 0.21991 65 BB 0.29125 16 A 0.21648 66 BB 0.31122 17 A 0.20335 67 BB 0.34966 18 A 0.20261 68 BB 0.34489 19 A 0.23372 69 BB 0.33049 20 A 0.20835 70 BB 0.34807 21 A 0.2341 71 BB 0.3101 22 A 0.20929 72 BB 0.29707 23 A 0.20044 73 BB 0.33699 24 A 0.24801 74 BB 0.31225 25 A 0.23042 75 BB 0.30826 26 A 0.20563 76 BB 0.29555 27 A 0.2273 77 BB 0.33307 28 A 0.24861 78 BB 0.33734 29 A 0.21559 79 BB 0.34004 30 A 0.24904 80 BB 0.31914 31 A 0.22121 81 BB 0.31442 32 A 0.20148 82 BB 0.32369 33 A 0.22121 83 BB 0.33039 34 A 0.22915 84 BB 0.29293 35 A 0.20035 85 BB 0.32125 36 A 0.23678 86 BB 0.31421 37 A 0.19807 87 BB 0.34323 38 A 0.20909 88 BB 0.3281 39 A 0.22754 89 BB 0.34773 40 A 0.22329 90 BB 0.34904 41 A 0.22539 91 BB 0.3135 42 A 0.22363 92 BB 0.29892 43 A 0.19556 93 BB 0.3223 44 A 0.22273 94 B 0.34432 45 A 0.23637 95 B 0.32831 46 BBB 0.20337 96 B 0.34954 47 BBB 0.3257 97 B 0.34188 48 BBB 0.29989 98 B 0.37886
49 BBB 0.30527 99 B 0.36289
50 BBB 0.28975 100 B 0.3685
Dựa vào xác suất xuất hiện nợ xấu của mỗi doanh nghiệp, ngân hàng có thể đưa ra mức lãi suất cho vay hợp lý đối với các doanh nghiệp đi vay vốn. Nếu xác suất xuất hiện nợ xấu cao thì lãi suất cho vay cao và ngược lại.
Nghiên cứu đưa ra ý kiến về mối liên hệ giữa xác suất xuất hiện nợ xấu của các doanh nghiệp với hạng khách hàng như sau:
Bảng 2.15. Bảng xếp hạng tín dụng dựa trên xác suất xuất hiện nợ xấu của khách hàng
STT Điểm số Hạng của khách hàng Xác suất vỡ nợ
1 92,4 – 100 AAA 0 0,05 2 84,8 – 92,3 AA 0,05 0,15 3 77,2 – 84,7 A 0,15 0,25 4 69,6 – 77,1 BBB 0,25 0,35 5 62 – 69,5 BB 0,35 0,45 6 54,4 – 61,9 B 0,45 0,55 7 46,8 – 54,3 CCC 0,55 0,65 8 39,2 – 46,7 CC 0,65 0,75 9 31,6 – 39,1 C 0,75 0,85 10 < 31,6 D 0,85 1
Nhận xét: Theo dõi kết quả ở bảng 2.13, có thể thấy rằng kết quả xếp hạng tín dụng (trên hệ thống xếp hạng tín dụng hiện tại của ngân hàng) theo từng hạn mức có sự tương đồng tương đối với một mức xác suất nhất định mà doanh nghiệp không trả được nợ (tính theo mô hình logistic). Từ đó cho thấy rằng việc áp dụng mô hình logistic là có tính khả thi một cách tương đối.
Tuy nhiên, dựa trên dữ liệu của biến Y (cho thấy doanh nghiệp có nợ xấu hay không) cụ thể là xem xét 9 doanh nghiệp có nợ xấu trong mẫu, thì xếp hạng theo hệ thống xếp hạng tín dụng hiện tại của ngân hàng cho kết quả chính xác hơn với 7 doanh nghiệp xếp hạng B, trong khi theo mô hình logistic thì xuất hiện sai số tương đối lớn. Như trường hợp của doanh nghiệp thứ 92 có xác suất không trả được nợ là 0.29892 thấp hơn so với những doanh nghiệp thứ 87, 88, 89, 90, nhưng thực tế cho thấy doanh nghiệp này đã không trả được nợ khi đến hạn, biến Y có giá trị bằng 1.
Kết luận
Việc sử dụng mô hình logistic trong xếp hạng tín dụng có thể khắc phục được những nhược điểm của mô hình chấm điểm là có thể xác định vai trò của từng nhân tố trong tác động đến xác suất vỡ nợ, từ đó phục vụ cho công tác tư vấn và dự báo sự chuyển hạng của khách hàng doanh nghiệp một cách nhanh chóng và hiệu quả hơn. Ảnh hưởng của Xk đến pi sẽ bằng pi(1-pi)βk.Bên cạnh đó, mô hình này còn thể hiện được tính nhất quán, khách quan, không phụ thuộc vào ý kiến chủ quan của các cán bộ tín dụng khi nguồn dữ liệu đầu vào chủ yếu được lấy từ các báo cáo tài chính. Thực tế ứng dụng cho thấy rằng mô hình logistic đã cho ra một bộ kết quả đúng tương đối.
Tuy nhiên trong một số trường hợp, kết quả của mô hình vẫn tồn tại những sai số tương đối lớn. Nguyên nhân của việc này có thể là do số liệu đầu vào từ báo cáo tài chính của một số doanh nghiệp chưa được chính xác, hay đặc biệt là sự vắng mặt của các chỉ tiêu phi tài chính trong mô hình. Để có thể đưa các biến phi tài chính vào mô hình, việc lượng hóa chúng thành những đại lượng thích hợp là vô cùng cần thiết, song đây vẫn còn là một việc công việc tương đối khó khăn và đòi hỏi những nghiên cứu chuyên sâu hơn. Hơn nữa, luận văn thực hiện ứng dụng chỉ trên số liệu của 100 doanh nghiệp, có thể đây chưa phải là một mẫu hoàn hảo cho nghiên cứu.
Tóm tại, tùy vào từng đặc thù, mỗi ngân hàng tự lựa chọn và xây dựng cho mình một hệ thống xếp hạng tín dụng khách hàng phù hợp. Tuy nhiên, dù lựa chọn mô hình nào, mỗi ngân hàng thương mại đều cần phải xây dựng một hệ thống thông tin về khách hàng đáp ứng yêu cầu: khoa học; đầy đủ; cập nhật, chính xác và được lấy từ nhiều ngồn thông tin khác nhau (bao gồm cả những nguồn chính thống và nguồn không chính thống). Bên cạnh đó cũng vô cùng quan trọng là việc nâng cao chất lượng phân tích và xử lý thông tin trên cơ sở một phần mềm đủ mạnh với hệ thống các tiêu chí đầy đủ, khách quan và khoa học cả về định tính lẫn định lượng, cả về góc độ tài chính lẫn phi tài chính.
KẾT LUẬN CHƯƠNG 2
Chương 2 trình bày tổng quan về hệ thống xếp hạng tín dụng của Ngân hàng Thương Mại Cổ Phần Công Thương Việt Nam, các bộ chỉ tiêu sử dụng chấm điểm và các quy trình chấm điểm của hệ thống xếp hạng tín dụng.
Trong chương 2 của luận văn cũng đã trình bày cụ thể việc ứng dụng thử nghiệm mô hình logistic trong xếp hạng tín dụng khách hàng doanh nghiệp ở Ngân hàng Thương Mại Cổ Phần Công Thương Việt Nam. Kết quả cho thấy mặc dù có sự chính xác tương đối, song mô hình vẫn còn nhiều khuyết điểm cần phải khắc phục đặc biệt là sự vắng mặt của các chỉ tiêu phi tài chính. Bên cạnh đó, một yêu cầu cũng rất quan trọng khác tương tự như yêu cầu đối với mô hình chấm điểm là đòi hỏi chất lượng nguồn thông tin đầu vào đáng tin cậy. Bởi vậy kết luận rằng cho dù sử dụng mô hình nào trong việc xếp hạng tín dụng, thì việc xây dựng một hệ thống thông tin đầy đủ, bộ các chỉ tiêu đầu vào đều chiếm vai trò quan trọng hàng đầu.
Ngoài ra, chương 2 còn nêu lên một số ưu điểm và hạn chế cần khắc phục của hệ thống xếp hạng tín dụng của Ngân hàng Thương Mại Cổ Phần Công Thương Việt Nam. Từ những ưu điểm và hạn chế này, luận văn sẽ nghiên cứu đề xuất những biện pháp nhằm khắc phục các hạn chế và qua đó có thể phát huy các ưu điểm, hoàn thiện hệ thống xếp hạng tín dụng của Ngân hàng Thương Mại Cổ Phần Công Thương Việt Nam tại Chương 3
CHƯƠNG 3: HOÀN THIỆN XẾP HẠNG DOANH NGHIỆP CỦA NGÂN