7. Kết cấu của luận văn:
1.2. Mơ hình phân tích cácyếu tố ảnh hƣởng đến khả năng trả nợ của khách
hàng cá nhân.
1.2.1. Mơ hình 6C:
Theo Trần Huy Hồng (2010), trọng tâm của mơ hình này là xem xét thiện chí người vay và khả năng thanh tốn các khoản vay khi đến hạn, bao gồm 6 yếu tố sau:
Tư cách người vay (Character): cán bộ tín dụng phải làm rõ mục đích xin vay của khách hàng, mục đích vay của khách hàng có phù hợp với chính sách tín dụng hiện hành của ngân hàng, đồng thời xem xét về lịch sử đi vay và trả nợ đối với khách hàng cũ, cịn khách hàng mới thì cần thu thập thơng tin từ nhiều nguồn khác như: trung tâm phòng ngừa rủi ro, từ ngân hàng khác, hoặc các cơ quan thông tin đại chúng...
Năng lực của người vay (Capacity): tùy thuộc vào qui định luật pháp của quốc gia. Người vay phải có năng lực pháp luật dân sự và năng lực hành vi dân sự.
Thu nhập của người vay (Cash): trước hết phải xác định được nguồn trả nợ của người vay như luồng tiền từ doanh thu bán hàng hay từ thu nhập, tiền từ bán thanh lý tài sản, hoặc tiền từ phát hành chứng khốn. Sau đó cần phân tích tình hình tài chính của doanh nghiệp vay vốn thơng qua các tỷ số tài chính.
Bảo đảm tiền vay (Collateral): đây là điều kiện để ngân hàng cấp tín dụng và là nguồn tài sản thứ hai có thể dùng để trả nợ vay cho ngân hàng.
Các điều kiện (Conditions): ngân hàng quy định các điều kiện tùy theo chính sách tín dụng theo từng thời kỳ.
Kiểm soát (Control): đánh giá những ảnh hưởng do sự thay đổi của luật pháp, quy chế hoạt động đến khả năng khách hàng đáp ứng các tiêu chuẩn của ngân hàng.
Mơ hình 6C tương đối đơn giản, tuy nhiên lại phụ thuộc quá nhiều vào mức độ chính xác của nguồn thơng tin thu thập được, khả năng dự báo cũng như trình độ phân tích, đánh giá chủ quan của cán bộ tín dụng.
21
1.2.2. Mơ hình điểm số tín dụng tiêu dùng tại các ngân hàng Mỹ.
Theo kết quả nghiên cứu của Trần Huy Hoàng (2010) 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 1.2.Những hạng mục và điểm số tín dụng trong tín dụng tiêu dùng tại các ngân hàng Mỹ.
STT Các hạng mục xác định chất lƣợng tín dụng Điểm
1 Nghề nghiệp của người vay
- Chuyên gia hay phụ trách kinh doanh 10
- Cơng nhân có kinh nghiệm 8
- Nhân viên văn phịng 7
- Sinh viên 5
- Cơng nhân khơng có kinh nghiệm 4
- Cơng nhân bán thất nghiệp 2
2 Trạng thái nhà ở
- Nhà riêng 6
- Nhà thuê hay căn hộ 4
- Sống cùng bạn hay người thân 2
3 Xếp hạng tín dụng
- Tốt 10
- Trung bình 5
- Khơng có hồ sơ 2
- Tồi 0
4 Kinh nghiệm nghề nghiệp
- Nhiều hơn 1 năm 5
- Từ một năm trở xuống 2
5 Thời gian sống tại địa chỉ hiện hành
- Nhiều hơn 1 năm 2
- Từ một năm trở xuống 1 6 Điện thoại cố định - Có 2 - Khơng có 0 7 Số người sống cùng (phụ thuộc) - Không 3 - Một 3 - Hai 4
22
- Ba 4
- Nhiều hơn ba 2
8 Các tài khoản tại ngân hàng
- Cả tài khoản tiết kiệm và phát hành Séc 4
- Chỉ tài khoản tiết kiệm 3
- Chỉ tài khoản phát hành Séc 2
- Khơng có 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 1.3.Hạn mức tín dụng tƣơng ứng với tổng số điểm của khách hàng trong tín dụng tiêu dùng tại các ngân hàng Mỹ.
Tổng số điểm của 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 Hồng, 2010
1.2.3. Mơ hình xếp hạng của Moody’s và Standard &Poor’s.
RRTD trong cho vay và đầu tư thường được thể hiện bằng việc xếp hạng 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 với Standard & Poor’s thì 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 RRTD cao dần. Trong đó, khoản
23
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 1.4.Bảng xếp hạng của Moody’s, Standard &Poor’s.
Xếp hạng Tình trạng
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
24
1.2.4. 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 hơp 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 hai giá trị 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 là liên tục và được phân phối tốt, phân tích logic 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 là 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 danh. 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 không chệch tuyến tính tốt nhất (BLUE) nữa, và OLS là ước lượng chệch và không hiệu quả. Do đó, những nhà
25
nghiên cứu đã phát triển hàng loạt mơt 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 kết 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 = 𝒆
𝜷𝟎+𝜷𝟏×𝑿
𝟏 + 𝒆𝜷𝟎+𝜷𝟏×𝑿
+ Biến phụ thuộc Y là một biến nhị nguyên nhận giá trị (0 hoặc 1), hay kí 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 cơng thức này E(Y/X) là xác suất 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 (B0 + B1X) là z, ta có thể viết lại mơ hình hàm Binary logistic như sau:
𝐏(𝐘 = 𝟏) = 𝒆
𝒛
𝟏 + 𝒆𝒛
Vậy thì xác suất khơng xảy ra sự kiện là:
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 được thể hiện trong công thức:
P(Y=0) = 1 – P(Y=1) = 1- 1 z z e e ( 1) 1 ( 0) 1 1 z z z z e P Y e e P Y e
26
Lấy log cơ số e hai vế của phương trình trên rồi thực hiện biến đổi vế phải ta được kết quả là:
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 đòi 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 chỉ 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 hoàn 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 Sig. cho kiểm định Wald cũng theo quy tắc thông thường. Wald Chi Square được tính bằng cách lấy ước lượng của hệ số hồi quy của 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 = [ 𝜷 𝒔𝒆 𝜷 ] 𝟐 Kiểm định độ phù hợp tổng quát
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 dùng kiểm định Chi- bình phương cho giả thuyết H0: 1 2 ... k 0, căn cứ vào mức ý nghĩa quan sát mà SPSS đưa ra trong bảng Omnibus Test of Model Coefficients để quyết định bác
0 1 ( 1) [ ] ( 0) e P Y Log B B X P Y
27
1.2.5. Mơ hình phân tích các yếu tố ảnh hƣởng đến khả năng trả nợ của khách hàng cá nhân
Phương pháp phân tích mơ hình hồi quy Binary Logistic để xác định các yếu tố ảnh hưởng đến khả năng trả nợ vay của khách hàng cá nhân tại ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam.
Để tìm ra cácyếu tố ảnh hưởng đến khả năng trả nợ vay của khách hàng cá nhân tại ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Namtác giả đã vận dụng mơ hình hồi quy Binary logistic với số liệu thu thập từ 150 hồ sơ vay cá nhân đã được ngân hàng đánh giá có khả năng trả nợ hoặc khơng có khả năng trả nợ.
Sử dụng số liệu gồm 10 biến độc lập, là những yếu tố tác động chính tới khả năng trả nợ vay của khách hàng cá nhân tại Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam và được ký hiệu như sau:
Y = 1: khách hàng khơng có khả năng trả nợ. Y = 0: khách hàng có khả năng trả nợ.
Các biến độc lập Xi là các yếu tố chính tác động tới khả năng trả nợ vay của khách hàng cá nhân.
Phương trình hồi quy dự kiến có dạng:
Y= β0+ β1X1+ β2 X2+ β3 X3+ β4 X4+ β5 X5+β6 X6 + β7 X7 +β8 X8+β9 X9+ β10 X10+ εi
Bảng 1.5: Diễn giải các biến trong mơ hình STT KÝ HIỆU STT KÝ HIỆU
BIẾN DIỄN GIẢI KÝ HIỆU CÁC BIẾN
DẤU KỲ VỌNG
1 X1 Số thành viên phụ thuộc trong gia đình - 2 X2 Tình trạng cơng việc. 1: cơng việc văn phịng, trí
óc; 0: cơng việc khơng phải văn phịng, trí óc
-
3 X3 Thời hạn cho vay -
4 X4 TSĐB/số tiền vay -
5 X5 Lịch sử nợ quá hạn trong quá khứ: 0: khơng có nợ quá hạn, 1: đang có nợ quá hạn hoặc đã từng có nợ quá hạn
28
6 X6 Cán bộ tín dụng có trình độ chun mơn. Cán bộ tín dụng có thâm niên trên 3 năm nhận giá trị là 1, ngược lại nhận giá trị là 0.
-
7 X7 Thu nhập/số tiền vay phải trả định kỳ - 8 X8 Mức độ ảnh hưởng của thay đổi lãi suất. Nhận
giá trị là 1 nếu ảnh hưởng đáng kể, nhận giá trị là 0 nếu ảnh hưởng không đáng kể
+/-
9 X9 Khách hàng vay tiêu dùng nhận giá trị là 1, khách hàng vay mục đích khác nhận giá trị là 0
-
10 X10 Khách hàng vay sản xuất kinh doanh nhận giá trị là 1, khách hàng vay mục đích khác nhận giá trị là 0
-
11 Y Khả năng trả nợ của khách hàng cá nhân. Nhận giá trị là 1 nếu khách hàng khơng có khả năng trả nợ, nhận giá trị là 0 nếu khách hàng có khả năng trả nợ
(Nguồn: nghiên cứu của tác giả)
1.3. Phƣơng pháp nghiên cứu
Dữliệu nghiên cứu được thiết kế trong phiếu điều tra dưới dạng bảng câu hỏi dựa trên mục tiêu nghiên cứu về khả năng trả nợ vay của khách hàng cá nhân tại Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam. Thực hiện phương pháp chọn mẫu thuận tiện, tác giả thu thập dữ liệu bằng cách phỏng vấn trực tiếp cán bộ tín dụng để thu thập thơng tin khách hàng cá nhân có lịch sử giao dịch tiền vay tại Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam và ghi lại kết quả trong phiếu điều tra. Thời gian khảo sát được thực hiện từ 20/09/2014 đến 07/05/2015. Tổng số phiếu điều tra phát ra là 200 phiếu và thu hồi về là 182 phiếu. Với 182 phiếu thu về sau khi tiến hành nhập liệu và loại bỏ những phiếu điều tra khơng có đầy đủ dữ liệu, mẫu nghiên cứu cịn lại 150 khách hàng cá nhân được sử dụng để phân tích các yếu tố ảnh hưởng đến khả năng trả nợ vay. Mơ hình hồi quy
29
Binary Logistic để ước lượng xác suất một sự kiện xảy ra với những thông tin của biến độc lập mà ta có được.
Quy trình thực hiện nghiên cứu được tóm tắt trong sơ đồ sau:
Sơ đồ 1.6: quy trình nghiên cứu của đề tài