CHƯƠNG 4 : KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
4.5 Vận dụng mơ hình hồi quy binary logistic cho mục đích dự báo khoản vay
Từ cơng thức số 4.1, viết lại mơ hình Binary Logistic đo lường khả năng trả nợ của KHCN tại TPBank – CN Bến Thành như sau:
E(Y = 1/X) =
e-27.687 + 0.136TUOI + 0.259 TDO + 0.499 TN + 1.906 TD – 1.135 LS + 0.731 THV + 0.043 KCV
= ------------------------------------------------------------------------------------ 1+ e-27.687 + 0.136 TUOI + 0.259 TDO + 0.499 TN + 1.906 TD – 1.135 LS + 0.731 THV +0.043 KCV
4.2)
Với cơng thức trên, ta có thể tính được khả năng trả nợ của KHCN để từ đó có cơ sở đưa ra quyết định cho vay đối với KHCN có nhu cầu vay vốn. Dựa vào mơ hình có thể giúp ngân hàng nâng cao chất lượng phân tích tín dụng, hạn chế đưa ra những quyết định sai lầm trong cấp tín dụng, giảm thiểu rủi ro, đảm bảo an tồn trong hoạt động. Hơn nữa, áp dụng mơ hình định lượng có thể lượng hóa được rủi ro trong phân tích tín dụng, giúp đưa ra quyết định chính xác hơn, khách quan hơn, tránh tình trạng phê duyệt cho vay theo cảm tính. Mơ hình này giúp giảm thiểu rủi ro không chỉ trước khi cho vay mà cịn có thể áp dụng sau khi cho vay.
Ví dụ vận dụng mơ hình hồi quy để ra quyết định cấp tín dụng cho KHCN:
Một KHCN A, B chưa có quan hệ tín dụng với ngân hàng đến vay vốn, có thơng tin khách hàng như sau: TT KHA KHB 1 Tuổi (TUOI) 51 51 2 Trình độ (TDO) 7 10 3 Thu nhập (TN) 9,8 12,2 4 Tiêu dùng (TD) 5 5
5 Lãi suất vay (LS) 6,8 6,2
6 Thời hạn vay (THV) 10 12
7 Qui mô vay (KCV) 41 69
Áp dụng cơng thức 4.2, tính được xác suất trả nợ của khách hàng A như sau: E(Y=1X)=
e-27.687 + 0.136*51 + 0.259*7 + 0.499*9.8 + 1.906*5 – 1.135*6.8 + 0.731*10 +0.043*41
KH1 = -------------------------------------------------------------------------- = 0.0406 1+ e-27.687 + 0.136*51 + 0.259*7 + 0.499*9.8 + 1.906*5 – 1.135*6.8 + 0.731*10 +0.043*41
e-27.687 + 0.136*51 + 0.259*10 + 0.499*12.2 + 1.906*5 – 1.135*6.2 + 0.731*12 + 0.043*69
1+ e-27.687 + 0.136*51 + 0.259*10 + 0.499*12.2 + 1.906*5 – 1.135*6.2 + 0.731*12 +0.043*69
Khách hàng A có khả năng trả nợ đúng hạn với 0,0406, do đó ngân hàng khơng thể xem xét cấp tín dụng, vì 0,0406 < 0.5 mặc dù khách hàng đang có quan hệ vay vốn tại TPBank – CN Bến Thành.
Khách hàng B có khả năng trả nợ là 0,8970 do đó ngân hàng có thể cấp tín dụng, vì 0,8970 > 0.5 nếu khách hàng đang có quan hệ vay vốn tại TPBank – CN Bến Thành.
Qua 2 ví dụ trên cho thấy, áp dụng hồi qui Binary Logistic trong hoạt động cho vay đối với KHCN nói riêng, cho vay nói chung có ý nghĩa lớn trong hoạt động tín dụng tại TPBank – CN Bến Thành.
4.6 Thảo luận
Qua kết quả của mơ hình hồi qui Binary Logistic, cho thấy mơ hình đã dự đốn đúng với tỉ lệ là 83.6% và cũng đã lượng hóa được mức độ của từng yếu tố đến khả năng trả nợ của KHCN. Từ những kết quả trên, mơ hình cũng góp phần là một trong những cơng cụ thẩm định của đơn vị, giúp cán bộ tín dụng xem xét khả năng trả nợ của KHCN trước khi ra quyết định chính thức về việc có cho vay đối với từng khách hàng hay không ?
Câu hỏi thứ nhất, 7 yếu tố được xác định có ảnh hưởng đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành là “Tuổi”, “Trình độ” , “Thu nhập”, “Tiêu dùng”, “Giá trị khoản vay”, “Thời hạn vay”, “Lãi suất”. Tiếp theo trả lời câu hỏi “ mức độ ảnh hưởng như thế nào, đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành, cần so sánh hệ số hồi quy của các biến độc lập trong mơ hình nghiên cứu, cụ thể từ phương trình hồi quy:
KNT = - 27.687 + 0.136 TUOI + 0.259 TDO + 0.499 TN + 1.906 TD – 1.135 LS + 0.731 THV + 0.043 KCV
Qua đó, cho thấy những biến có tác động nhiều nhất đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành lần lượt là:
- Biến “Tiêu dùng” có hệ số hồi quy cao nhất là 1.906. Do đó, tác động của biến này đến biến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành là lớn nhất;
- Biến có tác động lớn thứ hai đến biến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành là biến “Lãi suất” với hệ số hồi quy là – 1.135;
- Biến “Thời hạn vay” có hệ số hồi quy lớn thứ ba là 0.731 nên biến này có tác động lớn thứ ba đến biến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành;
Tiếp theo biến “Kích cỡ khoản vay” có tác động đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành thấp nhất, với hệ số hồi quy 0.043.
Câu hỏi thứ ba của đề tài nghiên cứu sẽ được làm rõ trong chương 5.
Tóm tắt chương 4
Thông qua phương pháp thống kê mơ tả, phân tích hồi quy và phân tích đa cộng tuyến, tác giả sử dụng phần mềm SPSS 20.0 nhằm thiết lập mơ hình nghiên cứu hồi quy tối ưu với 8 biến độc lập có ý nghĩa thống kê bao gồm: Tuổi, Trình độ, Thu nhập, Tiêu dùng, Lãi suất, Thời hạn vay, Quy mô khoản vay. Đồng thời kiểm định của mơ hình cũng cho thấy độ phù hợp và ý nghĩa của các biến cũng như mức độ tác động biên và kỳ vọng dấu của từng biến độc lập đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành. Trong đó, biến Tiêu dùng có tác động mạnh nhất kỳ vọng dấu của biến phù hợp với giả thuyết trong khi đó biến kích cỡ khoản vay có tác động thấp nhất kỳ vọng dấu phù hợp với giả thuyết của mơ hình. Bên cạnh đó, chương cịn đưa ra khả năng vận dụng mơ hình hồi qui Binary Logistic cho mục đích dự báo khi xác định cho vay đối với KHCN về khả năng trả nợ để người đọc có cái nhìn khái qt về tồn bộ mơ hình. Đồng thời cũng là một trong những cơ sở quan trọng đề xuất trong chương 5.