CHƯƠNG 1: CƠ SỞ LÝ LUẬN VỀ CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN KHẢ NĂNG VỠ NỢ CỦA KHÁCH HÀNG CÁ NHÂN TẠI NGÂN HÀNG THƯƠNG MẠI
1.4 Các phương pháp nghiên cứu các nhân tố ảnh hưởng đến khả năng trả nợ vay của khách hàng cá nhân
1.4.2 Phương pháp định lượng
1.4.2.3 Mô hình hồi quy Logit
Phương pháp hồi quy Logit (Maddala, 1984) là một mô hình nhị thức (biến phụ thuộc là biến nhị phân, chỉ có thể nhận hai giá trị là 0 hoặc 1). Mô hình này được ứng dụng rộng rãi trong phân tích kinh tế nói chung và rủi ro tín dụng nói riêng. Ở đây, hồi quy logit được dùng để đánh giá khả năng vỡ nợ (có hoặc không tương ứng với 0 hoặc 1) dựa trên các yếu tố ảnh hưởng.
Mô hình không có giả thiết về phân phối của các biến độc lập, các biến độc lập định tính thông qua việc thiết lập biến giả có thể chuyển thành định lượng. Các chỉ tiêu thông qua đó có thể được lượng hóa nhằm so sánh, phân loại và xếp hạng.
Wiginton (1980) so sánh hồi quy Logit với phương pháp MDA và kết luận hồi quy Logit đem lại những kết quả phân loại tốt hơn trong việc chấm điểm tín dụng. Việc kiểm định thống kê không phức tạp và có thể điều chỉnh hàm phi tuyến dễ dàng cũng là những ưu điểm của phương pháp.
Mô hình logit là một kỹ thuật thống kê để xem xét mối liên hệ giữa biến độc lập (biến số hoặc biến phân loại) với biến phụ thuộc là biến nhị phân. Trong hồi qui tuyến tính đơn, biến độc lập x và phụ thuộc y là biến số liên tục liên hệ qua phương trình:
Với Xj là các biến mô tả các yếu tố (định lượng và định tính) đặc trưng cho các đặc trưng khác nhau của khách hàng. β 0 , β 1 , β 2 là các hệ số chưa biết, cần ước lượng.
Khi ước lượng được các giá trị i(i=1,n) thì sẽ ước lượng được xác suất p ( ).
Mô hình kinh tế lượng tương ứng là
Sử dụng mô hình này để xếp hạng tín dụng các biến có thể xác định như sau:
Y là biến mô tả tình trạng nợ xấu ( không có khả năng hoàn trả:0; hoặc có khả năng hoàn trả:1). P là xác suất Y =1.
Các biến X j là các yếu tố tác động đến xác suất Y =1.
- Với mô hình này các hệ số β j sẽ cho phép tính được khả năng Y =1 đối với từng khoản vay và khi yếu tố X j thay đổi một đơn vị thì xác suất Y=1 thay đổi bao nhiêu.
- Đây là một mô hình toán học nên mô hình Logit cũng có nhiều ưu điểm như mô hình Altman, ngoài ra mô hình này cho phép ngân hàng tính toán được khả năng vỡ nợ đối với từng khoản cho vay.
- Do cũng là mô hình toán học nên mô hình này có một số hạn chế như mô hình Altman, khi sử dụng mô hình này do các biến số tồn tại trong cùng một điều kiện kinh tế xã hội luôn biến động nên có thể gặp hiện tượng đa cộng tuyến. Vì vậy, để khắc phục những hạn chế này, thông thường người ta sử dụng mô hình hồi quy Logit theo thành phần chính. Việc hồi quy Logit theo thành phần chính được thực hiện cụ thể như sau:
Giả sử chúng ta cần sử dụng các biến X1, X2, ...,Xk để giải thích cho Y nhờ mô hình hồi qui tuyến tính.
- Nếu X1, X2, ...,Xk phụ thuộc tương quan tuyến tính lẫn nhau, kết quả ước lượng hồi qui (A) sẽ nhận được các ước lượng chệch của các tham số. Việc phân
tích hồi qui không hiệu quả và thậm chí gặp các sai lầm đáng tiếc. Thực tế người ta có thể tìm cách bỏ đi một số biến mà vai trò giải thích cho Y không đủ lớn.
Tuy nhiên, để làm được việc này có 2 hạn chế: Việc lựa chọn biến loại khỏi mô hình không dễ dàng; Không thể loại một số biến mà về mặt lý thuyết nhất thiết các biến này phải có mặt trong mô hình. (Chẳng hạn khi ước lượng hàm cầu một mặt hàng người ta không thể bỏ biến giá cho dù biến này tác động không đủ lớn đến lượng cầu).
Giải pháp ở đây là tìm r biến độc lập là tổ hợp của k biến ban đầu và hồi qui Y theo r biến này. Các biến đó chính là các thành phần chính trong nhận được từ kết quả phân tích thành phần chính.
Mục tiêu quan trọng nhất của phân tích hồi qui chính là xác nhận và đo sự tác động của các biến độc lập đến biến phụ thuộc.
Ưu điểm:
Mô hình Logit là là mô hình định lượng nên khắc phục được những nhược điểm của các mô hình định tính, thể hiện sự khách quan, nhất quán, không phụ thuộc vào ý kiến chủ quan của cán bộ tín dụng.
Mô hình Logit có kỹ thuật đo lường rủi ro tín dụng khá đơn giản, dễ thực hiện bằng phần mềm chuyên dụng. Đây là lợi thế nếu so với mô hình KMV có kỹ thuật đo lường và các bước tính toán khá phức tạp.
Mô hình Logit có thể là cơ sở để ngân hàng phân loại khách hàng và nhân diện rủi ro. Thông qua kết quả từ mô hình, chúng ta có thể ước lượng được xác suất không trả được nợ của khách hàng, từ đó Ngân hàng có thể xác định được khách hàng nào đang nằm trong vùng cảnh báo, khách hàng nào đang nằm trong vùng an toàn và giúp ngân hàng chủ động trong việc đưa ra những biện pháp hạn chế rủi ro.
Một ưu điểm nổi bật của mô hình Logit so với mô hình xếp hạng tín dụng truyền thống, đó là có thể đo lường vai trò của các yếu tố tác động đến hạng tín dụng của khách hàng. Ngoài ra trong khi mô hình điểm số Z lại cứng nhắc trong việc xem xét các yếu tố tác động tới biến phụ thuộc và các hệ số của chúng (do Altman đưa ra), trong khi với mô hình Logit chúng ta có thể dễ dàng hiệu chỉnh
hoặc thêm bớt các biến nhằm xác định cụ thể tác động của các yếu tố đến rủi ro tín dụng như thế nào.
* Nhược điểm:
Mô hình Logit phụ thuộc vào mức độ chính xác của nguồn thông tin thu thập và khả năng dự báo cũng như trình độ phân tích của cán bộ tín dụng. Ngoài ra, bản chất đây là mô hình kinh tế lượng, vì vậy khi hệ số xác định ở mức nhỏ thì mô hình có thế dự báo kém chính xác (thể hiện qua các giá trị phần dư). Bằng cách sử dụng mô hình Logit, chúng ta sẽ tìm ra những yếu tố Xj ảnh hưởng đến khả năng trả nợ Y của khách hàng và căn cứ vào các hệ số βj, mô hình sẽ cho chúng ta biết được mức độ ảnh hưởng của từng yếu tố Xj đến khả năng trả nợ Y của khách hàng cá nhân tại Ngân hàng BIDV.