Mơ hình điểm số tín dụng tiêu dùng tại các ngân hàng Mỹ

Chương 1 GIỚI THIỆU NGHIÊNCỨU

2.3.2.Mơ hình điểm số tín dụng tiêu dùng tại các ngân hàng Mỹ

2.3. Mơ hình phân tích các yếu tố ảnh hưởng đến khả năng trả nợ của khách

2.3.2.Mơ hình điểm số tín dụng tiêu dùng tại các ngân hàng Mỹ

Theo kết quả nghiên cứu của Trần Huy Hoàng (2010), trong quản trị NHTM, về các yếu tố quan trọng trong mơ hình cho điểm tín dụng bao gồm: hệ số tín dụng, tuổi đời, trạng thái tài sản, số người phụ thuộc, sở hữu nhà, thu nhập, điện thoại cố định, số tài khoản cá nhân, thời gian công tác.

Bảng 2.1 Những hạng mục và điểm số tín dụng tiêu dùng tại các ngân hàng Mỹ STT Các hạng mục xác định chất lượng tín dụng Điểm

1

Nghề nghiệp của người vay

- Chuyên gia hay phụ trách kinh doanh - Cơng nhân có kinh nghiệm

- Nhân viên văn phòng - Sinh viên

- Cơng nhân khơng có kinh nghiệm - Cơng nhân bán thất nghiệp

10 8 7 5 4 2 2 Trạng thái nhà ở - Nhà riêng

- Nhà thuê hay căn hộ

- Sống cùng bạn hay người thân

6 4 2 3 - Xếp hạng tín dụng Tốt Trung bình Khơng có hồ sơ Tồi 10 5 2 0 4

Kinh nghiệm nghề nghiệp - Nhiều hơn 1 năm

- Từ 1 năm trở xuống

5 2

5

Thời gian sống tại địa chỉ hiện hành - Nhiều hơn 1 năm

- Từ 1 năm trở xuống 2 1 6 Điện thoại cố định - Có - Khơng có 2 0 7 Số người sống cùng (phụ thuộc) - Không - Một - Hai - Ba - Nhiều hơn ba 3 3 4 4 2

8

Các tài khoản tại ngân hàng

- Cả tài khoản tiết kiệm và phát hành Séc - Chỉ tài khoản tiết kiệm

- Chỉ tài khoản phát hành Séc - Khơng có 4 3 2 0

(Nguồn: Trần Huy Hồng, 2010)

Khách hàng có khả năng trả nợ tốt nhất tương ứng với điểm số cao nhất theo mơ hình với 8 mục nêu trên là 43 điểm, thấp nhất là 9 điểm. Giả sử ngân hàng biết mức 28 điểm là ranh giới giữa khách hàng có khả năng trả nợ tốt và khách hàng khơng có khả năng trả nợ, từ đó ngân hàng hình thành khung chính sách tín dụng theo mơ hình điểm số.

Bảng 2.2 Hạn mức tín dụng tương ứng với tổng số điểm của khách hàng trong tín dụng tiêu dùng tại các ngân hàng Mỹ

Tổng số điểm khách hàng Hạn mức tín dụng

Từ 28 điểm trở xuống Từ chối tín dụng

29 – 30 điểm 500 USD 31 – 33 điểm 1 000 USD 34 – 36 điểm 2 500 USD 37 – 38 điểm 3 500 USD 39 – 40 điểm 5 000 USD 41 – 43 điểm 10 000 USD

(Nguồn: Trần Huy Hoàng, 2010) 2.3.3. Mơ hình xếp hạng của Moody’s và Standard & Poor’s

Rủi ro tính dụng trong cho vay và đầu tư thường được thể hiện bằng việc xếp hàng khoản vay. Việc xếp hạng này được thực hiện bởi một số dịch vụ xếp hạng tư nhân trong đó Moody’s và Standard & Poor’s là những dịch vụ tốt nhất. Đối với Moody’s xếp hạng

cao nhất là Aaa nhưng đối với Standard & Poor’s thù cao nhất là AAA. Việc xếp hạng giảm dần từ Aa đối với Moody’s và AA đối với Standard & Poor’s, sau đó thấp dần để phản ánh rủi ro tín dụng cao dần. Trong đó, khoản vay trong 4 hạng đầu được xem như khoản vay mà ngân hàng nên đầu tư, còn các hạng bên dưới là các khoản vay ngân hàng không nên đầu tư. Nhưng thực tế vì phải xem xét mối quan hệ tỷ lệ thuận giữa rủi ro và lợi nhuận nên những khoản vay này tuy được xếp hạng thấp nhưng lại có lợi nhuận cao nên đơi khi ngân hàng vẫn chấp nhận đầu tư vào các khoản vay này.

Bảng 2.3 Bảng xếp hạng của Moody’s, Standard & Poor’s Xếp hạng Tình trạng Xếp hạng Tình trạng (adsbygoogle = window.adsbygoogle || []).push({});

Moody’s Aaa Chất lượng cao nhất

Aa Chất lượng cao

A Chất lượng vừa cao hơn

Baa Chất lượng vừa

Ba Nhiều yếu tố đầu cơ

B Đầu cơ

Caa Chất lượng kém

Ca Đầu cơ có rủi ro cao

C Chất lượng kém nhất

Standard & Poor’s AAA Chất lượng cao nhất

AA Chất lượng cao

A Chất lượng vừa cao hơn

BBB Chất lượng vừa

BB Chất lượng vừa thấp hơn

B Đầu cơ

CCC-CC Đầu cơ có rủi ro cao C Trái phiếu có lợi nhuận DDD-D Khơng được hồn vốn

2.3.4. Mơ hình hồi quy Binary Logistic

Các mơ hình đánh giá khả năng trả nợ của khách hàng cá nhân được nêu ở trên tuy có những ưu điểm riêng nhưng trong trường hợp biến quan sát chỉ có 2 trạng thái thì những mơ hình trên vẫn chưa đưa ra một kết quả chính xác. Chẳng hạn, biến phụ thuộc là khả năng trả nợ của khách hàng cá nhân có 2 giá trị tương ứng với hai trường hợp khách hàng có khả năng trả nợ và khách hàng khơng có khả năng trả nợ. Khi đó, mơ hình thường được sử dụng để ước lượng là mơ hình hồi quy nhị phân Binary Logistic.

Theo Simon Jackman (2007), với hồi quy Binary Logistic, thông tin chúng ta cần thu thập về biến phụ thuộc là một sự kiện nào đó có xảy ra hay khơng, biến phụ thuộc Y lúc này có 2 giá trị là 0 và 1, với 0 là không xảy ra sự kiện ta quan tâm và 1 là có xảy ra, và tất nhiên là cả thông tin về các biến độc lập X. Từ biến phụ thuộc nhị phân này, một thủ tục sẽ được dùng để dự đoán xác suất sự kiện xảy ra quy tắc nếu xác suất được dự đốn lớn hơn 0.5 thì kết quả dự đốn sẽ cho là “có” xảy ra sự kiện, ngược lại thì kết quả dự đốn sẽ cho là “khơng”.

Theo Karl L.Wuensch (2014), hồi quy Binary Logistic được sử dụng để tiên đoán một biến xác thực (thường là biến nhị phân) từ một tập hợp biến. Với một biến phụ thuộc, phân tích biệt số thường được sử dụng nếu tất cả các dự báo đều là nhị phân và hồi quy logistic thường được chọn nếu những biến dự báo là một tập hợp liên tục và những biến nhị phân hoặc nếu chúng không phải là phân phối tốt. Trong hồi quy logistic, biến phụ thuộc được dự báo là một hàm xác suất và là một biến nhị phân.

Theo Hun Myoung Park (2010), khi biến phụ thuộc là một biến nhị phân, biến thứ bậc, hoặc biến định tính. Thậm chí những dữ liệu đếm được là rời rạc nhưng thường được xem như liên tục. Khi đó, phương pháp ước lượng bình phương nhỏ nhất (OLS) khơng cịn là một ước lượng khơng chệch tuyến tính tốt nhất (BLUE) nữa, và OLS là ước lượng chệch và khơng hiệu quả. Do đó, những nhà nghiên cứu đã phát triển hàng

loạt mơ hình hồi quy mới đối với các biến phụ thuộc này và hồi quy Binary Logistic được sử dụng đến.

Phương pháp này cũng giống như phương pháp hồi quy tuyến tính, song được xây dựng cho mơ hình với biến được dự báo là biến nhị nguyên nhận 2 giá trị tương ứng với sự hiện diện hay vắng mặt của một đặc tính hay một kế quả cần quan tâm nào đó. Các hệ số trong phương trình hồi quy có thể sử dụng để ước lượng các tỷ số chênh (odds ratios) cho từng biến độc lập trong mơ hình.

Mơ hình được thể hiện như sau:

𝐸(𝑌

𝑋) =

𝑒𝛽0+ 𝛽1𝑋 1 + 𝑒𝛽0+ 𝛽1𝑋

- Biến phụ thuộc Y là một biến nhị nguyên nhận giá trị 0 hoặc 1, hay ký tự ngắn.

- Các biến độc lập có thể là biến định lượng, có thể là biến định tính hoặc gồm cả biến định lượng và biến định tính.

- Trong công thức này, E(Y/X) là xác xuất để Y = 1 (tức là xác suất để sự kiện xảy ra) khi biến độc lập có giá trị cụ thể là Xi. Ký hiệu biểu thức (β0 + β1X) là z, ta có thể viết lại mơ hình hàm Binary Logistic như sau: (adsbygoogle = window.adsbygoogle || []).push({});

𝑃(𝑌 = 1) = 𝑒

𝑧 1 + 𝑒𝑧 Vậy xác suất không xảy ra sự kiện là:

𝑃(𝑌 = 0) = 1 − 𝑃(𝑌 = 1) = 1 − 𝑒

𝑧 1 + 𝑒𝑧

Thực hiện phép so sánh giữa xác suất một sự kiện xảy ra với xác suất sự kiện đó khơng xảy ra, tỷ lệ chênh lệch này có thể dược thể hiện trong cơng thức:

𝑃(𝑌 = 1) 𝑃(𝑌 = 0) = 𝑒𝑧 1+𝑒𝑧 1 − 𝑒𝑧 1+𝑒𝑧

Lấy log cơ số e hai vế của phương trình trên rồi thực hiện biến đổi vế phải ra được kết quả:

log [𝑃(𝑌 = 1)

𝑃(𝑌 = 0)] = 𝛽0+ 𝛽1𝑋

Ta có thể mở rộng mơ hình Binary Logistic cho nhiều biến độc lập. • Kiểm định độ phù hợp của mơ hình

Hồi quy Binary Logistic cũng địi hỏi ta phải đánh giá độ phù hợp của mơ hình. Đo lường độ phù hợp tổng qt của mơ hình Binary Logistic được dựa trên chi tiêu -2LL (viết tắt của -2 log likelihood), thước đo này có ý nghĩa giống như SSE (Sum of square of error) nghĩa là càng nhỏ càng tốt. Giá trị -2LL càng nhỏ càng thể hiện độ phù hợp cao, giá trị nhỏ nhất của -2LL là 0 (tức là khơng có sai số) khi đó mơ hình có một độ phù hợp hồn hảo.

• Kiểm định ý nghĩa thống kê của các hệ số

Hồi quy Binary Logistic cũng đòi hỏi kiểm định giả thuyết hệ số hồi quy khác không. Đại lượng Wald Chi Square được sử dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Cách thức sử dụng mức ý nghĩa cho kiểm định Wald cũng theo quy tắc thơng thường. Wald Chi Square được tính bằng cách lấy ước lượng của hệ số hồi quy biến độc lập trong mơ hình (hệ số hồi quy mẫu) Binary Logistic chia cho sai số chuẩn của ước lượng hệ số hồi quy này, sau đó bình phương lên theo cơng thức:

𝑊𝑎𝑙𝑑 𝐶ℎ𝑖 𝑆𝑞𝑢𝑎𝑟𝑒 = [ 𝛽

𝑠𝑒(𝛽)]

2

Ở hồi quy Binary Logistic, tổ hợp tuyến tính của tồn bộ các hệ số trong mơ hình hồi quy ngoại trừ hằng số cũng được kiểm định xem có thực sự có ý nghĩa trong việc giải thích cho biến phụ thuộc không. Ta cùng kiểm định Chi - bình phương cho giả thuyết: H0: 𝜌1= 𝜌2 = ⋯ = 𝜌𝑘 = 0, căn cứ vào mức ý nghĩa quan sát để quyết định bác bỏ hay chấp nhận H0.

2.4. Các nghiên cứu thực nghiệm

2.4.1. Nghiên cứu nước ngoài

John M. Chapman (1990), Factors Affecting Credit Risk in Personal Lending,

nghiên cứu phân tích những nguyên nhân gây ra nợ xấu mảng cho vay khách hàng cá nhân của ngân hàng, đồng thời kiểm định thực tế và kết luận những nhân tố chính tác động đến rủi ro tín dụng cho vay khách hàng cá nhân. Đề tài chỉ ra những nhân tố như: nhân khẩu học của người đi vay (tuối tác, giới tính, tình trạng hơn nhân, số người phụ thuộc, thời gian cư trú); tính chất nghề nghiệp của khách hàng đi vay; tình hình tài chính của người đi vay; tính chất của khoản nợ. Cuối cùng nghiên cứu đưa ra mối liên hệ quan trọng giữa những nhân tố rủi ro.

Kohansal và Mansoori (2009), Factors Affecting on loan Repayment Performance of Farmers in Khorasan-Razavi Province of Iran, nghiên cứu sử dụng mơ hình hồi quy logic khi tìm hiểu khả năng khi trả nợ của nông dân tại tỉnh Kohansal và Razavi của Iran. Hai tác giả đã tiến hành nghiên cứu trên mẫu dữ liệu gồm 175 nông dân vào năm 2008. Mơ hình nghiên cứu bao gồm biến phụ thuộc Y đạt giá trị bằng 1 nếu người nông dân không bao giờ trả nợ trễ hạn cho khoản vay trả dần theo từng phần, bằng 0 nếu một lần trả nợ đúng hạn. Biến độc lập: độ tuổi của người vay chính, diện tích của một trang trại, số năm kinh nghiệm trong công việc của người nông dân, tổng thu nhập, lãi suất của khoản vay, thời gian của khoản cho vay, tổng chi phí hành chính mà người nơng dân phải trả để đạt được sự chấp thuận cho vay, kích cỡ của khoản vay, số thành viên phụ thuộc, tổng số kỳ thanh toán cho khoản vay. Ngoại trừ biến độ tuổi của người

vay chính và diện tích của một trang trại, các biến số cịn lại đều có ý nghĩa thống kê trong mơ hình. Các tác giả đã đưa ra kết luận rằng lãi suất của khoản vay là nhân tố quan trọng nhất ảnh hưởng tới khả năng trả nợ vay của người nông dân kế tiếp là biến số kinh nghiệm của người nông dân.

Sarah Miller (2014) Risk Factors for Consumer Loan Default: A Censored

Quantile Regression Analysis, nghiên cứu sử dụng 2 mơ hình: mơ hình rủi ro tỷ lệ của Cox (1974) và mơ hình lượng tử Portnoy (2003) được kiểm duyệt một cách linh hoạt hơn. Kết luận lợi nhuận dự kiến cho các khoản vay có rủi ro thấp và trung bình cao hơn đáng kể khi dự đoán các xác suất từ hồi quy lượng tử được chú trọng hơn là xác suất nguy cơ được dự báo tỷ lệ. Trong nghiên cứu này, bỏ qua tác động sự thay đổi thời gian của các biến sẽ dẫn đến việc đánh giá thấp các khoản vay có rủi ro thấp và trung bình so với các khoản vay có rủi ro cao.

Frederick Murdoch Quaye, Valentina Hartarska và Denis Nadolnyak (2017)

Factors Affecting Farm Loan Delinquency in the Southeast, nghiên cứu các nhân tố ảnh hưởng đến các khoản vay nông trại ở Đông Nam nước Mỹ. Đề tài kiểm tra các yếu tố và hành vi ảnh hưởng đến khả năng trả nợ của người nông dân ở Đông Nam Mỹ trong thời hạn vay được quy định. Một nông dân vi phạm nghĩa vụ trả nợ được định nghĩa là người vay có thời hạn vay quá hạn ít nhất một năm và vẫn chưa thanh toán xong. Nghiên cứu sử dụng dữ liệu mặt cắt ngang 10 năm (2003-2012) từ dữ liệu khảo sát ARA của USDA. Về mặt khách quan, kết quả cho thấy tuổi là một yếu tố quan trọng và nông dân lớn tuổi ít có khả năng mất thanh tốn hơn so với các đối tác trẻ của họ. Nông dân với trang trại lớn hơn và những người có nhiều năm kinh nghiệm canh tác đều ít có khả năng khơng trả được nợ. Dự kiến, nơng dân có thu nhập từ trang trại thuần cao hơn có xu hướng trả các khoản vay của họ nhiều hơn theo thời gian tương đối. Nơng dân có bảo hiểm, và những người có tỷ lệ lợi nhuận cao hơn có xác suất trả nợ cao hơn. Kết quả cũng cho

thấy rằng những người nơng dân có tỷ lệ nợ/ tài sản cao hơn có nhiều khả năng bị trả nợ quá hạn.

Norhaziah Nawai và Mohd Noor Mohd Shariff (2012) Factors Affecting

Repayment Performance in Microfinance Programs in Malaysia, nghiên cứu phân tích các yếu tố ảnh hưởng đến hiệu suất trả nợ trong các chương trình tín dụng vi mơ ở Malaysia. Nghiên cứu sử dụng mẫu từ các chương trình TEKUN Nasional. Kết quả của nghiên cứu cho thấy có 10 yếu tố ảnh hưởng đến hiệu suất trả nợ của người vay là tuổi tác, giới tính, kinh nghiệm kinh doanh, giáo dục tôn giáo, tổng thu nhập hộ gia đình, tổng doanh thu, khoảng cách đến văn phịng cho vay, hình thức kinh doanh, thời gian cho vay và phê duyệt cho vay. Nếu giảm giá cho những người đi vay vừa đủ để khuyến khích họ hồn trả khoản vay của họ đúng tiến độ mà khơng có sự chậm trễ. Bên cạnh đó, nghiên cứu cũng đề xuất thành lập một tổ chức ngân hàng tài chính vi mơ chun dụng chính thức nhằm đáp ứng nhu cầu tài chính của các doanh nghiệp nhỏ và nhỏ, đặc biệt là ở Malaysia sử dụng cả nhóm cho vay và phương thức cho vay cá nhân. Nghiên cứu cho thấy rằng tín dụng nhỏ dành cho các doanh nhân nhỏ đã giúp họ cải thiện hoạt động kinh doanh của họ và khuyến khích người nghèo tham gia vào các hoạt động kinh doanh. (adsbygoogle = window.adsbygoogle || []).push({});

Uma Murthy và ctg (2017) Factors Influencing Non-Performing Loans in

Commercial Banks: The Case of Banks in Selangor, nghiên cứu phân tích các yếu tố ảnh hưởng đến các khoản nợ xấu tại các NHTM ở Selangor, Malaysia. Đề tài sử dụng những phương pháp xác xuất thống kê bằng phần mềm SPSS: Phương pháp mô tả, tương quan và hồi quy hồi quy. Cách tiếp cận mô tả hiển thị kết quả trực tiếp trong khi tương quan hiển thị mối quan hệ giữa biến phụ thuộc (Không trả nợ) và các biến độc lập (tiêu chuẩn sống, thu nhập của người tiêu dùng, kinh tế đất nước, lãi suất ngân hàng). Ngoài ra, nhà nghiên cứu cũng đã đề cập tóm tắt mơ hình, ANOVA và bảng hệ số trong nhiều lần hồi quy. Đồng thời thảo luận về ý nghĩa và hạn chế của nghiên cứu này. Cuối cùng, nhà

nghiên cứu đã đưa ra một số kiến nghị cho các nhà nghiên cứu trong tương lai, những