3.1. Phương pháp nghiên cứu
3.1.1.1. Mơ hình định tính về rủi ro tín dụng – Mơ hình 6C
Khi thẩm định khả năng trả nợ của khách hàng cá nhân, thường chúng ta tập trung vào một số yếu tố liên quan đến khách hàng hình thành nhóm nội dung cần thẩm định. Phương pháp truyền thống thường sử dụng để đánh giá tín dụng đối với khách hàng cá nhân là mơ hình 6C, bao gồm:
- Tư cách của khách hàng vay vốn (Character): Cán bộ tín dụng phải chắc chắn rằng người vay có mục đích tín dụng rõ ràng, có tính trung thực, ý thức trách nhiệm và có thiện chí nghiêm chỉnh trả nợ khi đến hạn.
- Năng lực của khách hàng (Capacity): Người đi vay phải có năng lực pháp luật dân sự và năng lực hành vi dân sự.
- Thu nhập của người vay (Cash): xác định nguồn trả nợ của khách hàng vay như luồng tiền từ doanh thu bán hàng hay từ thu nhập, bán thanh lý tài sản…
- Bảo đảm tiền vay (Collateral): là nguồn thu thứ hai có thể dùng để trả nợ vay cho ngân hàng.
- Các điều kiện (Conditions): các ngân hàng quy định các điều kiện tùy theo chính sách tín dụng từng thời kỳ.
- Khả năng kiểm soát khoản vay (Control): đánh giá những ảnh hưởng do sự thay đổi của luật pháp, quy chế hoạt động, khả năng khách hàng đáp ứng các tiêu chuẩn của ngân hàng.
Việc sử dụng mơ hình này tương đối đơn giản, tuy nhiên hạn chế của mơ hình này là nó phụ thuộc vào mức độ chính xác của nguồn thơng tin thu thập, khả năng dự báo cũng như trình độ phân tích, đánh giá của cán bộ tín dụng.
40
3.1.1.2. Mơ hình lượng hố rủi ro tín dụng – Mơ hình điểm số tín dụng tiêu dùng
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, tài khoản cá nhân, thời gian làm việc. Mơ hình thường sử dụng 7 – 12 hạng mục, mỗi hạng mục được cho điểm từ 1 – 10.
Ưu điểm: mơ hình loại bỏ được sự phán xét chủ động trong quá trình cho vay và giảm đáng kể thời gian ra quyết định tín dụng của ngân hàng.
Nhược điểm: mơ hình khơng thể tự điều chỉnh một cách nhanh chóng để thích ứng với những thay đổi trong nền kinh tế và những thay đổi trong cuộc sống gia đình.
3.1.2. Lựa chọn mơ hình
Lựa chọn mơ hình cần phải dựa trên những u cầu đặt ra của mơ hình đó:
Xác định được xác suất trả nợ: yêu cầu đặt ra đối với hệ thống XHTD cá nhân của Ngân hàng TMCP Sài Gịn trước hết nhằm kiểm sốt rủi ro tín dụng hiệu quả hơn khi kết quả xếp hạng phản ánh được mức độ rủi ro của danh mục tín dụng, trên cơ sở đó giúp ra quyết định tín dụng chính xác. Kết quả xếp hạng khách hàng phải tính đến những dự báo về nguy cơ vỡ nợ dẫn đến mất khả năng thực hiện nghĩa vụ tài chính đối với ngân hàng.
Tính thống nhất: hệ thống XHTD cá nhân sau khi điều chỉnh phải đảm bảo khả năng quản trị tín dụng thống nhất và có kết quả xếp hạng phải giống nhau trong toàn hệ thống, đây là căn cứ để SCB có thể dự báo được những tổn thất tín dụng theo từng nhóm khách hàng, từ đó xây dựng chiến lược và chính sách tín dụng phù hợp; các chỉ tiêu chấm điểm XHTD trong mơ hình phải đảm bảo khơng phức tạp và sát thực tế để CBTD tin tưởng sử dụng; xếp hạng không được mâu thuẫn với các lý thuyết và phương pháp được thừa nhận. Ngoài ra, hệ thống XHTD cũng đặt ra mục tiêu đáp ứng yêu cầu của NHNN trong phân loại nợ và trích lập dự phòng rủi ro theo quy định Điều 7 Quyết định 493/2005/QĐ-NHNN.
41
Tính đầy đủ: kết quả xếp hạng phải bao trùm được đầy đủ những thông tin liên quan đến khả năng đảm bảo trả nợ (những thông tin liên quan đến nhân thân và khả năng tài chính của khách hàng).
Tính khách quan: kết quả xếp hạng tín dụng được đưa ra bởi những chủ thể khác nhau.
Sự công nhận: được những người sử dụng cơng nhận mơ hình xếp hạng đánh giá chính xác khả năng trả nợ của đối tượng được xếp hạng.
Tính phù hợp: xây dựng hệ thống XHTD cũng đặt ra yêu cầu vừa phải phù hợp với thông lệ quốc tế nhưng không xa rời thực tế đặc thù hoạt động kinh doanh của Ngân hàng TMCP Sài Gịn, vừa phải đảm bảo tính linh hoạt có thể điều chỉnh phù hợp với những biến động của điều kiện kinh doanh trong tương lai.
Với những yêu cầu nêu trên, cùng với những nhận định về các mơ hình thống kê trong XHTD đã nêu, các biến dự kiến đưa vào mơ hình gồm các biến định tính và các biến định lượng. Vì vậy, trong nghiên cứu của mình, tác giả lựa chọn sử dụng mơ hình Binary Logistic để hồn thiện mơ hình XHTD cá nhân cho Ngân hàng TMCP Sài Gịn.
3.1.3. Mơ hình hồi quy Binary Logistic
Hồi quy Binary Logistic là mơ hình hồi quy khi biến phụ thuộc Y là biến nhị phân chỉ nhận hai giá trị 0 và 1. Từ biến phụ thuộc nhị phân Y, hàm hồi quy Logistic sẽ tính xác suất xảy ra Y theo nguyên tắc nếu xác suất > 0.5 thì khách hàng có khả năng trả nợ, ngược lại thì kết quả dự đốn khách hàng khơng có khả năng trả nợ. Mơ hình hàm Binary Logistic như sau:
log e[𝑃 (𝑌=1)𝑃 (𝑌=0)] = β 0 + β 1X
3.1.3.1. Độ phù hợp của mơ hình
Đo lường độ phù hợp của mơ hình Binary Logistic dựa vào chỉ tiêu -2LL (- 2log likelihood), thước đo này có ý nghĩa giống như SSE (Sum of squares of error) nghĩa là càng nhỏ càng tốt. Quy tắc đánh giá độ phù hợp căn cứ trên -2LL ngược với quy tắc dựa trên hệ số xác định mơ hình R2, nghĩa là giá trị -2LL càng nhỏ càng
42
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.
Ngoài ra cịn có thể xác định được mơ hình dự đốn tốt đến đâu qua bảng phân loại (Clasification table) do SPSS đưa ra, bảng này sẽ so sánh số trị số thực và trị số dự đốn cho từng biểu hiện và tính tỷ lệ dự đốn đúng sự kiện.
3.1.3.2. Kiểm định ý nghĩa của các hệ số
Đại lượng Wald Chi Square được sử dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. 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 sau:
Wald Chi Square = ( 𝛽̂
𝑠.𝑒(𝛽̂))2 = ( 𝛽
𝑠.𝑒(𝛽))2
3.1.3.3. Kiểm định độ phù hợp tổng quát
Ở hồi quy Binary Logistic, tổ hợp liên hệ tuyến tính của tồn bộ các hệ số trong mơ hình ngoại trừ hằng số cũng được kiểm định xem có thực sự có ý nghĩa trong việc giải thích cho biến phụ thuộc khơng. Với hồi quy tuyến tính bội ta dùng thống kê F để kiểm định giả thuyết H0: β1 = β2 = … = βk = 0, còn với hồi quy Binary Logistic ta dùng kiểm định Chi – bình phương. Căn cứ vào mức ý nghĩa quan sát mà SPSS đưa ra trong bảng Omnibus Tests of Model Coefficients để quyết định bác bỏ hay chấp nhận H0.
3.1.4. Lựa chọn biến số
Với mơ hình hồi quy Binary Logistic cần phải xác định biến nào là biến độc lập và biến phụ thuộc. Các biến được lựa chọn như sau:
3.1.4.1. Biến phụ thuộc
Trong nghiên cứu này biến phụ thuộc (Y) được lựa chọn như sau
{ Y = 1 nếu KH có khả năng đảm bảo trả nợ
43
Theo Điều 7 của Quyết định 493/2005/QĐ-NHNN đối với các NHTM đã có hệ thống XHTD nội bộ như Ngân hàng TMCP Sài Gòn, NHNN quy định các NHTM phải đánh giá và phân loại các khách hàng của mình thành các nhóm nợ để theo dõi và từ đó trích lập dự phịng để giảm rủi ro tín dụng của ngân hàng. Nội dung quyết định này nêu rõ “nợ xấu” là các nhóm nợ từ nhóm 3 trở lên. Theo mục 6.1, Điều 7 của quyết định này, nợ nhóm 3 (nợ dưới tiêu chuẩn) bao gồm các khoản nợ được tổ chức tín dụng đánh giá là khơng có khả năng thu hồi nợ gốc và lãi khi đến hạn. Các khoản nợ này được đánh giá là có khả năng tổn thất một phần nợ gốc và lãi.
Vậy ta có thể kết luận, một khách hàng khơng có khả năng trả nợ khi được xếp vào nợ nhóm 3 trở lên của NHTM (biến phụ thuộc Y = 0), Ngược lại, một khách hàng có khả năng đảm bảo trả nợ khi ở các nhóm nợ thấp hơn 3 theo sự phân nhóm của NHTM (Y = 1)
3.1.4.2. Biến độc lập được sử dụng trong nghiên cứu
Bảng 3.1: Biến độc lập sử dụng trong nghiên cứu Biến độc lập sử dụng trong nghiên cứu STT Chỉ tiêu Thang đo Giả
thiết
Ký hiệu
1 Giới tính 1: Nam – 0: Nữ +/- Gioitinh
2 Tuổi Tuổi - Tuoi
3 Trình độ học vấn 0: Dưới TH 1: TH 2: ĐH 3: Trên ĐH
44
4 Tính chất cơng việc 0: Cấp quản lý
1: Cấp chuyên viên, kinh doanh có đăng ký
2: Lao động được đào tạo, công nhân, kinh doanh tự do 3: Lao động thời vụ, thất nghiệp, nghỉ hưu
+/- TCCV
5 Tình trạng hơn nhân 1: Kết hôn – 0: độc thân - Honnhan 6 Tình trạng nhà ở 1: Sở hữu riêng
0: Sống chung với cha mẹ, thuê
+ TTNO
7 Thời gian làm công việc hiện tại
Tháng + Thoigianlamviec
8 Số người phụ thuộc Người - Songuoiphuthuoc 9 Lịch sử tín dụng 1: Có nợ – 0: Khơng có thơng tin - LichsuTD 10 Số dịch vụ sử dụng Số dịch vụ + Sodichvu 11 Thu nhập hàng tháng Triệu đồng + Thunhap 12 Tiết kiệm hàng tháng Triệu đồng + Tietkiem
13 Số tiền vay Triệu đồng - Tienvay 14 Giá trị tài sản đảm
bảo
Triệu đồng + Taisan
15 Tỷ lệ nợ trên tổng tài sản
Giá trị nợ/giá trị tài sản - TLNTTS
45
Bộ số liệu sử dụng trong đề tài là thông tin về việc vay vốn và trả nợ của khách hàng được thu thập từ nguồn dữ liệu thứ cấp gồm 160 mẫu quan sát là khách hàng cá nhân có quan hệ tín dụng với Ngân hàng TMCP Sài Gịn từ năm 2010 đến năm 2012 để tiến hành nghiên cứu.
Trong mẫu nghiên cứu gồm 160 khách hàng được chia thành 2 nhóm. Nhóm 1 là nhóm các khách hàng có khả năng trả nợ gồm 129 khách hàng và nhóm 0 là nhóm các khách hàng khơng có khả năng trả nợ gồm 31 khách hàng.
3.2. Kết quả phân tích
3.2.1 Phân tích thống kê mơ tả
Bảng 3.2: Phân loại khách hàng theo khả năng trả nợ Phân loại khách hàng theo khả năng trả nợ Nhóm (Y) Số lượng Tỷ trọng
0 31 19,38%
1 129 80,62%
Tổng 160 100%
(Nguồn: Số liệu tính tốn từ dữ liệu của Ngân hàng TMCP Sài Gòn)
Với bảng 3.2, số liệu khách hàng khơng có khả năng trả nợ là 19,38% và 80,62% khách hàng có đủ khả năng trả nợ. Ngoài ra, đề tài cũng thống kê mơ tả tồn bộ dữ liệu và cho ra các thông số sau:
Bảng 3.3: Số liệu thống kê mô tả của các biến định lượng Số liệu thống kê mô tả của các biến định lượng
Giá trị trung bình
Độ lệch
chuẩn Minimum Maximum
Tuổi 44.99 10.647 24 77
Thời gian làm việc 113.48 74.457 6 395 Số người phụ thuộc 1.06 0.995 0 3 Số dịch vụ đang sử dụng 1.20 0.853 0 4 Thu nhập hàng tháng 21.58 27.596 4 225
46
Tiết kiệm hàng tháng 15.60 26.019 2 215 Số tiền vay 473.97 865.734 30 6000 Giá trị tài sản 1343.92 1709.486 83 9446 Tỷ lệ nợ trên tổng tài sản 36.2001 20.30256 3.33 70.02
(Nguồn: Số liệu tính tốn từ dữ liệu của Ngân hàng TMCP Sài Gòn)
Bảng 3.3 cho thấy, Tuổi trung bình của khách hàng cá nhân vay tại SCB là 45, trong đó tuổi cao nhất là 77 tuổi và thấp nhất là 24 tuổi. Thời gian làm công việc hiện tại trung bình của khách hàng là 114 tháng. Số dịch vụ đang sử dụng trung bình của khách hàng tại SCB là 1. Thu nhập hàng tháng trung bình của khách hàng vay là 22 triệu đồng. Số tiền vay trung bình của khách hàng cá nhân là 474 triệu đồng, số tiền vay nhỏ nhất là 30 triệu đồng, cao nhất là 6000 triệu đồng. Giá trị tài sản trung bình của khách hàng dùng để thế chấp cho SCB là 1344 triệu đồng. Tỷ lệ nợ trên tổng tài sản trung bình của khách hàng cá nhân chiếm khoảng 36,2%, trong đó tỷ lệ nợ trên tổng tài sản cao nhất chiếm 70,02% và thấp nhất 3,33%.
3.2.2 Phân tích tương quan
Xem xét mối tương quan của các biến (định lượng) đưa vào mơ hình. Nếu hệ số tương quan cặp > 0.8 thì sẽ dẫn đến hiện tượng đa cộng tuyến nếu đưa các biến này vào mơ hình.
Bảng 3.4: Hệ số tương quan cặp các biến định lượng đưa vào mơ hình
Hệ số tương quan cặp các biến định lượng đưa vào mơ hình
Tuổi Thời gian làm việc Số người phụ thuộc Số dịch vụ đang sử dụng Thu nhập hàng tháng Tiết kiệm hàng tháng Số tiền vay Giá trị tài sản Tỷ lệ nợ trên tổng tài sản Tuổi Hệ số tương quan cặp 1 Sig. (2-tailed)
47 Thời gian làm việc Hệ số tương quan cặp 0.365** 1 Sig. (2-tailed) 0.000 Số người phụ thuộc Hệ số tương quan cặp -0.060 0.106 1 Sig. (2-tailed) 0.447 0.182 Số dịch vụ đang sử dụng Hệ số tương quan cặp 0.056 0.109 0.052 1 Sig. (2-tailed) 0.484 0.170 0.515 Thu nhập hàng tháng Hệ số tương quan cặp -0.003 0.185* 0.041 0.523** 1 Sig. (2-tailed) 0.973 0.019 0.606 0.000 Tiết kiệm hàng tháng Hệ số tương quan cặp -0.015 0.158* 0.034 0.498** 0.994** 1 Sig. (2-tailed) 0.855 0.045 0.672 0.000 0.000 Số tiền vay Hệ số tương quan cặp -0.055 0.117 0.089 0.335** 0.498** 0.462** 1 Sig. (2-tailed) 0.487 0.141 0.264 0.000 0.000 0.000 Giá trị tài sản Hệ số tương quan cặp 0.064 0.041 0.071 0.294** 0.409** 0.383** 0.751** 1 Sig. (2-tailed) 0.424 0.607 0.370 0.000 0.000 0.000 0.000 Tỷ lệ nợ trên tổng tài sản Hệ số tương quan cặp -.0238** 0.244** 0.115 0.199* 0.373** 0.351** 0.428** 0.013 1 Sig. (2-tailed) 0.002 0.002 0.149 0.012 0.000 0.000 0.000 0.874
**. Mối tương quan có ý nghĩa ở mức 0.01 (2-tailed). *. Mối tương quan có ý nghĩa ở mức 0.05 (2-tailed).
48
Theo kết quả bảng 3.4 thể hiện 2 biến thu nhập hàng tháng và tiết kiệm có sự tương quan chặt với nhau (hệ số tương quan = 0.994 > 0.8). Điều này cho thấy nếu cùng đưa 2 biến này vào mơ hình thì sẽ xảy ra hiện tượng đa cộng tuyến.
Tuy nhiên, theo Ramanathan (2003), đa cộng tuyến có thể khơng ảnh hưởng đến khả năng dự báo của mơ hình và thậm chí có thể cải thiện khả năng dự báo. Có 2 cách xử lý vấn đề này là vẫn đưa biến vào mơ hình để tăng khả năng dự báo hoặc loại bỏ 1 trong 2 biến trên.
3.2.3. Ước lượng mơ hình Binary Logistic
Mơ hình 1: Sử dụng phần mềm thống kê SPSS với phương pháp Enter, đưa
tất cả 15 biến vào mơ hình, ta được mơ hình 1.
Mơ hình 2: được ước lượng bằng cách loại bỏ những biến có mức ý nghĩa
Sig > 0.05 (mức ý nghĩa dành cho mơ hình dự báo) từ mơ hình 1.
Bảng 3.5: Kết quả ước lượng hồi quy Binary Logistic của 2 mơ hình Kết quả ước lượng hồi quy Binary Logistic của 2 mơ hình
Biến Giả thuyết Mơ hình 1 Mơ hình 2 B Sig. B Sig. Gioitinh +/- 3.332 0.037 2.180 0.015 Tuoi - 0.016 0.854 TĐHV +/- -2.789 0.098 TCCV +/- 0.779 0.551 Honnhan - 2.328 0.164 TTNO + 1.128 0.515 Thoigianlamviec + 0.050 0.054 0.032 0.018 Songuoiphuthuoc - -1.692 0.084 LichsuTD - -0.570 0.678 Sodichvu + 3.814 0.020 2.008 0.007 Thunhap + 1.294 0.035 1.169 0.000 Tietkiem + 0.393 0.461
49 Tienvay - -0.036 0.002 -0.022 0.000 Taisan + 0.009 0.009 0.004 0.004 TLNTTS - 0.245 0.009 0.118 0.005 Constant -26.672 0.009 -17.290 0.000 OB 0.000 0.000 Độ chính xác 94.40% 93.80% -2LL 36.34 48.77 McFadden R-squared 82.33% 71.02%