CHƯƠNG 4 ĐÁNH GIÁ VÀ KHUYẾN NGHỊ
4.1. Đánh giá xây dựng mô hình đo lường PD của KHDN theo Basel II áp dụng mô
4.1.1.2. Xây dựng mô hình đo lường PD của KHDN đáp ứng các yêu cầu của Basel II
mô hình logistic
4.1.1. Những kết quả đạt được
4.1.1.1. Mô hình logistic sử dụng để xây dựng mô hình do lường PD của KHDN là thực hiện được là thực hiện được
Kết quả xây dựng mô hình đo lường PD của KHDN trình bày ở chương 2 chỉ ra việc áp dụng mô hình logistic đo lường PD của KHDN là hoàn toàn khả thi. Mô hình logistic được sử dụng trong quá trình xây dựng mô hình đo lường PD, từ việc chuyển đổi biến tài chính từ giá trị thô ban đầu thành các giá trị dưới dạng logit, cho đến quá trình phân tích đa biến sử dụng chương trình SPSS chạy hồi quy logistic các biến tài chính và hồi quy logistic các biến phi tài chính để ra mô hình hồi quy logistic dự báo PD tài chính và PD phi tài chính.
4.1.1.2. Xây dựng mô hình đo lường PD của KHDN đáp ứng các yêu cầu của Basel II Basel II
Việc xác định khách hàng Tốt/Xấu của mô hình phù hợp yêu cầu của Basel II về định nghĩa về việc không trả được nợ.
- So sánh về tình trạng không trả được nợ của Basel II và cách thức xác định nợ xấu (quy định Phân loại nợ hiện tại của Vietinbank) được trình bày trong bảng 4.1.
Bảng 4.1 - So sánh giữa các định nghĩa
Basel II- Một khách hàng được coi là không trả được nợ nếu:
Nhóm nợ Quy định Phân loại nợ hiện
tại của Vietinbank
3 4 5
Khách hàng quá hạn trên 90 ngày đối với các khoản nợ trọng yếu của ngân hàng. Thấu chi được coi là quá hạn ngay khi khách hàng chi vượt quá hạn mức được cấp hoặc khi hạn mức được cấp nhỏ
x x x
Nhóm 3 (nợ dưới tiêu chuẩn) - các khoản nợ quá hạn từ 90 đến 180 ngày;
Nhóm 4 (nợ nghi ngờ) - các khoản nợ quá hạn từ 181 đến 360 ngày;
Basel II- Một khách hàng được coi là không trả được nợ nếu:
Nhóm nợ Quy định Phân loại nợ hiện
tại của Vietinbank
3 4 5
hơn dư nợ hiện thời. Nhóm 5 (nợ có khả năng mất
vốn) - các khoản nợ quá hạn trên 360 ngày;
Ngân hàng không tính lãi dự thu đối với khoản tín dụng (bao gồm cả khách hàng nhóm 2).
x x x
Hiện chưa có quy định tương tự nhưng theo quy định của Vietinbank chỉ nợ nhóm 1 được dự thu lãi. Nợ nhóm 2 và nợ xấu được tính dự thu.
Ngân hàng thực hiện trích một khoản chi phí hoặc dự phòng cụ thể cho khoản tín dụng do chất lượng tín dụng giảm sút đáng kể (bao gồm cả khách hàng nhóm 2). x x x Tỷ lệ trích lập dự phòng cụ thể đối với các nhóm nợ được quy định như sau:
a) nhóm 1: 0% b) nhóm 2: 5% c) nhóm 3: 20% d) nhóm 4: 50% đ) nhóm 5: 100% Ngân hàng bán khoản tín dụng và chịu một thiệt hại kinh tế đáng kể liên quan đến khoản tín dụng.
x x x
Hiện chưa có quy định tương tự trong Quyết định 493. Tuy nhiên, theo quy định tại Quyết định 59/2006, Nợ nhóm 1 không được bán thấp hơn giá trị của ghi sổ của khoản nợ. Ngân hàng đồng ý thực hiện cơ
cấu cho nghĩa vụ tín dụng và điều này dẫn đến giảm nghĩa vụ tài chính của khách hàng do miễn
x x x
Khoản nợ bị cơ cấu lại sẽ được phân loại thành Nợ xấu, trừ các trường hợp điều chỉnh kỳ hạn trả nợ lần đầu.
Basel II- Một khách hàng được coi là không trả được nợ nếu:
Nhóm nợ Quy định Phân loại nợ hiện
tại của Vietinbank
3 4 5
giảm, trì hoãn, gia hạn trả gốc, lãi hoặc các loại phí liên quan.
Ngân hàng yêu cầu khách hàng thực hiện thủ tục phá sản hoặc các hình thức tương tự do không thực hiện được các nghĩa vụ đối với ngân hàng.
x
Khách hàng được xếp loại nợ Nhóm 5 nếu khách hàng tuyên bố phá sản hoặc được ngân hàng ghi yêu cầu thực hiện thủ tục phá sản.
Khách hàng đang thực hiện thủ tục hoặc đã ở trong tình trạng phá sản hay những hình thức bảo vệ tương tự, dẫn đến việc tránh hoặc trì hoãn thực hiện nghĩa vụ tín dụng đối với ngân hàng.
x
Việc xác định khách hàng Xấu là các khách hàng có phân loại Nợ nhóm 3,4,5 là hoàn toàn phù hợp với Basel II
Đáp ứng các yêu cầu về dữ liệu:
- Dữ liệu khách hàng thu thập được từ năm 2008 đến 2013, thỏa mãn yêu cầu Basel II về dữ liệu tối thiểu phải đủ 05 năm. Qua quá trình lọc dữ liệu, chất lượng dữ liệu phần nào đảm bảo tính chính xác và độ tin cậy.
- Toàn bộ khách hàng xấu thu thập được đưa vào danh sách mẫu phát triển mô hình, đại diện cho danh mục nợ xấu của Vietinbank. Khách hàng tốt được lựa chọn từ danh sách khách hàng tốt ban đầu theo vùng, miền, ngành, quy mô để đảm bảo đại diện cho danh mục tín dụng của ngân hàng.
Đáp ứng yêu cầu Basel II về xác thực mô hình đối với một số mô hình:
Để xác thực mô hình, dữ liệu khách hàng thu thập năm 2013 được sử dụng để kiểm định khả năng dự báo của mô hình.
- Phân loại khách hàng tốt/ xấu với mục đích kiểm định mô hình sẽ sử dụng kết quả phân loại nợ hàng tháng của Vietinbank. Một điểm cần lưu ý trong việc phân loại tốt/xấu đối với dữ liệu trong giai đoạn này là ảnh hưởng của việc cơ cấu nợ. Với quyết định 780/QĐ-NHNN tháng 04/2012 các ngân hàng được phép cơ cấu giữ nguyên nhóm nợ khách hàng, không phải phân loại vào nhóm nợ xấu theo quyết định 493/2005. Theo định nghĩa default từ Basel 2, cần xem những khoản nợ được cơ cấu là những trường hợp default. Tuy nhiên với đặc thù tín dụng giai đoạn này, rất nhiều trường hợp khách hàng được cơ cấu do ưu đãi của ngân hàng không xuất phát từ nguy cơ không trả được nợ của khách hàng. Vì vậy đặt các trường hợp này vào nhóm xấu trong mẫu kiểm định là không hoàn toàn chính xác. Để hạn chế ảnh hưởng của các trường hợp này, các quan sát tương ứng với khách hàng đã được cơ cấu nhưng không được phân loại vào nợ xấu sẽ được loại ra khỏi mẫu kiểm định.
- Kết quả thu thập dữ liệu: Tổng số khách hàng xấu là 273 trên tổng số 4185 khách hàng trong mẫu thu thập chiếm khoảng 6,5%. Trong số các mô hình thì ngành bất động sản có số lượng mẫu quan sát rất ít không đáp ứng yêu cầu số lượng mẫu kiểm định, các phân tích tiếp theo sẽ không thực hiện cho ngành bất động sản vì không mang nhiều ý nghĩa. Các ngành Nông nghiệp, Công nghiệp nặng, Vận tải kho bãi và phân khúc Siêu vi mô có số lượng quan sát xấu tương đối thấp (dưới 30 quan sát), hạn chế này có thể ảnh hưởng đến kết quả kiểm định nếu mẫu quan sát không mang đầy đủ tính đại diện cho mô hình. Tuy nhiên số lượng khách hàng tốt ở các mô hình này tương đối đầy đủ cho mục tiêu kiểm định. Quá trình kiểm định thực hiện tương tự như xây dựng mô hình. Chỉ số AUROC được sử dụng để đo lường tính tính hiệu lực của mô hình. Tuy kết quả AUROC chưa thể hoàn toàn đánh giá độ chính xác của ước lượng PD nhưng nó cho thấy khả năng phân biệt tốt xấu – một trong những yêu cầu cơ bản nhất của mô hình đo lường rủi ro tín dụng
- Trong 8 mô hình được kiểm định:
Mô hình Công nghiệp nặng thể hiện khả năng phân biệt đặc biệt tốt (>0.9) Các mô hình Nông lâm ngư nghiệp, công nghiệp nhẹ, thương mại dịch vụ, DN nhỏ tuy giảm nhưng vẫn đáp ứng yêu cầu về mức phân biệt trung bình (>0.7)
Mô hình xây dựng cho kết quả khả năng phân biệt thấp (trong khoảng 0.6- 0.7), cần được cải tiến để nâng cao hiệu quả.
Các mô hình Vận tải kho bãi, DN siêu nhỏ không có khả năng phân biệt khách hàng tốt xấu.
4.1.2. Những hạn chế và nguyên nhân
4.1.2.1. Hạn chế
Hạn chế về dữ liệu
- Dữ liệu thu thập để xây dựng mô hình đo lường PD cho KHDN còn chưa đủ. Ngoài các ngành: công nghiệp nhẹ, thương mại dịch vụ, xây dựng, vận tải kho bãi đáp ứng được yêu cầu về kích thước mẫu thì các ngành khác có số lượng khách hàng xấu và/hoặc tốt ít, không đáp ứng được yêu cầu về kích thước mẫu xây dựng mô hình.
- Dữ liệu thu thập còn chưa hoàn toàn đủ tin cậy. Nhiều trường hợp khách hàng có dữ liệu không chính xác do cán bộ chấm điểm khách hàng không đúng, lỗi tác nghiệp trong quá trình chấm điểm xếp hạng khách hàng, phân loại nợ, hoặc khách hàng cung cấp thông tin tài chính, phi tài chính không đúng. Do đó, không tránh khỏi dữ liệu được thu thập không phản ánh đúng tình hình tài chính, năng lực của khách hàng.
- Quá trình thu thập, làm sạch dữ liệu với một khối lượng khách hàng lớn không tránh khỏi sai sót, lỗi tác nghiệp trong quá trình thực hiện.
Hạn chế về kết quả mô hình đo lường PD
Ngoài mô hình bất động sản chưa đủ dữ liệu để kiểm định mô hình thì kết quả kiểm định các mô hình đo lường PD của KHDN cho thấy mô hình xây dựng, vận tải kho bãi và doanh nghiệp siêu nhỏ chưa có khả năng phân biệt khách hàng tốt/xấu và cần tiếp tục cải tiến nâng cao hiệu quả của mô hình.