Xây Dựng Mô Hình Xếp Hạng Tín Dụng Cá Nhân Tại Ngân Hàng Tmcp Sài Gòn‌


- Khách hàng cung cấp thông tin không chính xác, thậm chí giả mạo thông tin trong việc cung cấp hồ sơ vay vốn, điều này gây khó khăn và mất nhiều thời gian cho cán bộ tín dụng trong việc thẩm định khoản vay và xếp hạng khách hàng.

- Không có nhiều thông tin hỗ trợ cho việc xếp hạng tín dụng. Thông tin từ CIC là nguồn thông tin chủ yếu mà Ngân hàng sử dụng, tuy nhiên hiện nay nguồn thông tin này hết sức đơn điệu, thiếu cập nhật, không đáp ứng được nhu cầu cần thiết của Ngân hàng.

- NHNN vẫn chưa có được một hệ thống tổng thể quản lý chung các hệ thống xếp hạng tín dụng của các NHTM. Điển hình cho đến thời điểm hiện nay, hệ thống xếp hạng tín dụng cá nhân của các NHTM đều do chính Ngân hàng đó tự xây dựng, NHNN chỉ ra quyết định chấp nhận hay không chưa có một quy chuẩn chung.

Những hạn chế và nguyên nhân thực tế kể trên đặt ra cho SCB cần phải nỗ lực xây dựng mô hình XHTD cá nhân nhằm hạn chế tối đa rủi ro trong hoạt động tín dụng.


KẾT LUẬN CHƯƠNG 2


Trong chương này, đề tài đưa ra cái nhìn tổng quan về thực trạng mô hình xếp hạng tín dụng cá nhân cũng như mô hình XHTD hiện tại của SCB đang sử dụng. Qua đó, đề tài phân tích và chỉ ra các mặt hạn chế mà mô hình XHTD của SCB còn tồn tại. Trên cơ sở đó, tác giả đề xuất ứng dụng mô hình Binary Logistic trong XHTD cá nhân tại SCB sẽ trình bày trong chương 3.


CHƯƠNG 3: XÂY DỰNG MÔ HÌNH XẾP HẠNG TÍN DỤNG CÁ NHÂN TẠI NGÂN HÀNG TMCP SÀI GÒN‌

3.1. Phương pháp nghiên cứu

3.1.1. Một số mô hình đo lường rủi ro tín dụng

Hiện nay, có nhiều mô hình xếp hạng rủi ro tín dụng cá nhân để xác định và lượng hoá mức độ rủi ro từ phía khách hàng mang lại. Các mô hình này rất đa dạng thông thường bao gồm các mô hình định tính và định lượng như sau:

3.1.1.1. Mô hình định tính về rủi ro tín dụng – Mô 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 mô 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 rò 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 mô hình này tương đối đơn giản, tuy nhiên hạn chế của mô hình này là nó phụ thuộc vào mức độ chính xác của nguồn thông tin thu thập, khả năng dự báo cũng như trình độ phân tích, đánh giá của cán bộ tín dụng.


3.1.1.2. Mô hình lượng hoá rủi ro tín dụng – Mô hình điểm số tín dụng tiêu dùng

Các yếu tố quan trọng trong mô 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. Mô hình thường sử dụng 7 – 12 hạng mục, mỗi hạng mục được cho điểm từ 1 – 10.

Ưu điểm: mô 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: mô hình không 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 mô hình

Lựa chọn mô hình cần phải dựa trên những yêu cầu đặt ra của mô 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 Gòn trước hết nhằm kiểm soát 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 mô hình phải đảm bảo không 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.


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 công nhận mô 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 Gòn, 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 mô hình thống kê trong XHTD đã nêu, các biến dự kiến đưa vào mô hình gồm các biến định tính và các biến định lượng. Vì vậy, trong nghiên cứu của mình, tác giả lựa chọn sử dụng mô hình Binary Logistic để hoàn thiện mô hình XHTD cá nhân cho Ngân hàng TMCP Sài Gòn.

3.1.3. Mô hình hồi quy Binary Logistic

Hồi quy Binary Logistic là mô 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 đoán khách hàng không có khả năng trả nợ. Mô hình hàm Binary Logistic như sau:

log e[𝑃 (𝑌=1)] = β 0 + β 1X

𝑃 (𝑌=0)

3.1.3.1. Độ phù hợp của mô hình

Đo lường độ phù hợp của mô 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 mô hình R2, nghĩa là giá trị -2LL càng nhỏ càng


thể hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có một độ phù hợp hoàn hảo.

Ngoài ra còn có thể xác định được mô hình dự đoán 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 đoán cho từng biểu hiện và tính tỷ lệ dự đoán đúng sự kiện.

3.1.3.2. Kiểm định ý nghĩa của các hệ số

2

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 mô 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 công thức sau:

Wald Chi Square = (

𝛽̂

̂

2

) = ( 𝛽 )

𝑠.𝑒(𝛽)

3.1.3.3. Kiểm định độ phù hợp tổng quát

𝑠.𝑒(𝛽)

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 mô 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 khnăng đảm bo trn

Y = 0 nếu KH không có khnăng trả được toàn bn


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 dòi và từ đó trích lập dự phòng để giảm rủi ro tín dụng của ngân hàng. Nội dung quyết định này nêu rò “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 không 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 không 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

+/-

TĐHV

Có thể bạn quan tâm!

Xem toàn bộ 99 trang tài liệu này.

Hoàn thiện mô hình xếp hạng tín dụng cá nhân tại Ngân hàng TMCP Sài Gòn - 7


4

Tính chất công 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 hôn 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: Không có thông

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


3.1.5. Chọn mẫu

Xem toàn bộ nội dung bài viết ᛨ

..... Xem trang tiếp theo?
⇦ Trang trước - Trang tiếp theo ⇨

Ngày đăng: 27/06/2022