So Sánh Tiêu Chuẩn Phân Bổ Cá Thể Mô Hình Xhtd Cá Nhân Hiện Tại Của Scb Và Mô Hình Hồi Quy Binary Logistic Đề Xuất

Hình vẽ 3.1: Các nhân tố ảnh hưởng đến khả năng trả nợ

Có thể diễn dịch ý nghĩa của các hệ số hồi quy Binary Logistic là:

- Hệ số hồi quy giới tính (gioitinh): trong tất cả các biến của mô hình 2, biến giới tính là có tác động biên lớn nhất. Điều này cho thấy nam giới có khả năng trả nợ cao hơn so với nữ giới, phù hợp với lý thuyết trong điều kiện Việt Nam.

- Thời gian làm công việc hiện tại (Thoigianlamviec): hệ số thời gian làm việc càng cao càng có khả năng trả nợ. Khi có thâm niên công việc hiện tại, thì thường có thu nhập cao hơn.

- Số dịch vụ đang sử dụng (Sodichvu): khách hàng càng sử dụng nhiều dịch vụ của ngân hàng chứng tỏ khách hàng có mối quan hệ thân thiết và uy tín với ngân hàng.

- Thu nhập hàng tháng (Thunhap): hệ số thu nhập càng cao khả năng trả nợ càng cao và tăng theo tỷ lệ tương ứng với mức thu nhập. Thu nhập thường được sử dụng đại diện cho sự giàu có về tài chính và khả năng trả nợ của người vay (Đinh & Kleimeier, 2007).

- Số tiền vay (Tienvay): khi khoản vay càng tăng, khả năng trả nợ của khách sẽ giảm.

- Giá trị tài sản (Taisan): tài sản thế chấp là một hình thức đảm bảo cho khoản vay của khách hàng. Đặc biệt, đối với các khoản vay sử dụng tài sản thế chấp là nhà ở, xác suất không trả nợ là rất thấp vì do người đi vay không muốn mất nhà của họ và đồng thời tài sản thế chấp này cũng làm giảm rủi ro của ngân hàng. Giá trị tài sản thế chấp cũng có thể nói lên sự giàu có về tài chính của khách hàng vì nó có mối tương quan đáng kể với thu nhập của khách hàng vay (Đinh & Kleimeier, 2007).

- Tỷ lệ nợ trên tổng tài sản (TLNTTS): kết quả kiểm định mô hình cho thấy tỷ lệ nợ trên tổng tài sản càng cao khả năng trả nợ càng cao (trái dấu với giả thuyết). Điều này có thể giải thích, giá trị tài sản thế chấp có thể nói lên sự giàu có về tài chính của khách hàng vì nó có mối tương quan đáng kể với thu nhập của khách hàng vay (Đinh & Kleimeier, 2007) nên những khách hàng có giá trị tài sản thế chấp và mức thu nhập càng cao thì nhu cầu chi tiêu tiêu dùng trong đời sống xã hội

càng cao nên họ thường vay ngân hàng với số tiền vay lớn cho các mục đích tiêu dùng khác nhau (sửa chữa nhà, mua nhà, mua ôtô, bổ sung vốn kinh doanh…), điều này làm cho tỷ lệ nợ trên tổng tài sản càng cao. Tổng giá trị tài sản càng cao thì người vay càng có trách nhiệm với khoản vay của mình và thiện chí trả nợ cũng sẽ cao hơn.

Ta có thể hoàn thiện mô hình đánh giá xếp hạng tín dụng cá nhân dựa trên dự đoán xác suất được thực hiện thông qua hàm hồi quy Binary Logistic ước lượng từ mẫu trên.

Năm hạng mức tín nhiệm cũng được đưa ra A, A1, B, B1, C dựa trên 5 loại khách hàng mà ngân hàng TMCP Sài Gòn đang áp dụng, tương ứng với xác suất trả nợ theo bảng sau:

Bảng 3.10: Tiêu chuẩn phân bổ cá thể theo mức rủi ro

Tiêu chuẩn phân bổ cá thể theo mức rủi ro

Loại hiện tại	Xếp hạng tín nhiệm	Xác suất trả nợ (%)	Mức độ rủi ro
1	A	91 – 100	Rất thấp
2	A1	76 – 90	Thấp
3	B	66 – 75	Trung Bình
4	B1	56 – 65	Cao
5	C	<55	Rất cao

Có thể bạn quan tâm!

• Thực Trạng Mô Hình Xếp Hạng Tín Dụng Cá Nhân Tại Ngân Hàng Tmcp Sài Gòn‌
• Xây Dựng Mô Hình Xếp Hạng Tín Dụng Cá Nhân Tại Ngân Hàng Tmcp Sài Gòn‌
• Số Liệu Thống Kê Mô Tả Của Các Biến Định Lượng
• Chỉ Tiêu Kế Hoạch Hoạt Động Kinh Doanh Năm 2013 Của Scb
• Hoàn thiện mô hình xếp hạng tín dụng cá nhân tại Ngân hàng TMCP Sài Gòn - 11
• Hoàn thiện mô hình xếp hạng tín dụng cá nhân tại Ngân hàng TMCP Sài Gòn - 12

Xem toàn bộ 99 trang tài liệu này.

(Nguồn tổng hợp từ tác giả)

3.4. So sánh tiêu chuẩn phân bổ cá thể mô hình XHTD cá nhân hiện tại của SCB và mô hình hồi quy Binary Logistic đề xuất

Mô hình XHTD cá nhân hiện tại của SCB trong mẫu nghiên cứu và mô hình hồi quy Binary Logistic đề xuất được mô tả như sau:

Bảng 3.11: So sánh tiêu chuẩn phân bổ cá thể của mô hình XHTD cá nhân SCB và mô hình Binary Logistic đề xuất

Loại hiện

tại

Xếp hạng tín nhiệm	Mô hình SCB		Mô hình Binary Logistic
	Số lượng	%	Số lượng	%
1	A	10	6,25	2	1,25
2	A1	85	53,13	118	73,75
3	B	33	20,62	4	2,50
4	B1	32	20,00	6	3,75
5	C	0		30	18,75
Tổng		160	100	160	100

(Nguồn tổng hợp từ tác giả)

khách hàng cá nhân xếp hạng tín nhiệm loại A,B,B1 giảm so với mô hình SCB, trong khi đó khách hàng loại A1 lại tăng. Tuy nhiên, số khách hàng cá nhân trong mẫu nghiên cứu của mô hình SCB có mức hạng tín nhiệm loại C là 0, mô hình Binary Logistic là 30. Điều này, có thể lý giải khi đánh giá khách hàng cá nhân để xem xét cho vay, những khách hàng có kết quả xếp hạng tín nhiệm loại C, SCB sẽ từ chối cấp tín dụng. Vì vậy, mức hạng tín nhiệm loại C trong mẫu nghiên cứu của SCB bằng 0 là hợp lý.

3.5. Vận dụng mô hình Binary Logistic cho mục đích dự báo

Ví dụ: Chấm điểm xếp hạng tín dụng cá nhân

- Khách hàng Nguyễn Thị A (Kết quả xếp hạng A1, điểm tín dụng 310 điểm)

Bảng 3.12: Thông tin xếp hạng khách hàng Nguyễn Thị A

Thông tin xếp hạng khách hàng Nguyễn Thị A

Chỉ tiêu	Thông tin	Hệ số	Hằng số
Giới tính	0	2.180	-17.290
Thời gian làm việc	46	0.032
Số dịch vụ	0	2.008
Thu nhập	10	1.169

Tiền vay

100	-0.022
Tài sản	171	0.004
Tỷ lệ nợ trên tổng tài sản	58.48	0.118

(Nguồn: Ngân hàng TMCP Sài Gòn)

Xác suất trả nợ của khách hàng Nguyễn Thị A là:

E(Y/X) = 𝑒−17.29+2.180∗0+0.032∗46+2.008∗0+1.169∗10−0.022∗100+0.004∗171+0.118∗58.48

1+𝑒−17.29+2.180∗0+0.032∗46+2.008∗0+1.169∗10−0.022∗100+0.004∗171+0.118∗58.48

3.514

= 1+3.514 = 0.7785

Như vậy, mô hình Binary Logistic dự đoán khả năng trả nợ của khách hàng Nguyễn Thị A là 77.85%. Theo quy định trong bảng 3.10 thì xác suất trả nợ của khách hàng tương ứng với mức rủi ro A1 phù hợp với mức xếp hạng trong dữ liệu. Như vậy, khi ngân hàng cho khách hàng Nguyễn Thị A vay thì khả năng thu hồi nợ cao.

- Khách hàng Nguyễn Thị B (Kết quả xếp hạng B, điểm tín dụng 275 điểm)

Bảng 3.13: Thông tin xếp hạng khách hàng Nguyễn Thị B

Thông tin xếp hạng khách hàng Nguyễn Thị B

Chỉ tiêu	Thông tin	Hệ số	Hằng số
Giới tính	0	2.180	-17.290
Thời gian làm việc	55	0.032
Số dịch vụ	1	2.008
Thu nhập	10	1.169
Tiền vay	120	-0.022
Tài sản	366	0.004
Tỷ lệ nợ trên tổng tài sản	32.79	0.118

(Nguồn: Ngân hàng TMCP Sài Gòn)

Xác suất trả nợ của khách hàng Nguyễn Thị B là:

E(Y/X) = 𝑒−17.29+2.180∗0+0.032∗55+2.008∗1+1.169∗10−0.022∗120+0.004∗366+0.118∗32.79

1+𝑒−17.29+2.180∗0+0.032∗55+2.008∗1+1.169∗10−0.022∗120+0.004∗366+0.118∗32.79

2.366

= 1+2.366 = 0.7029

Như vậy, mô hình Binary Logistic dự đoán khả năng trả nợ của khách hàng Nguyễn Thị B là 70.29%. Theo quy định trong bảng 3.10 thì xác suất trả nợ của khách hàng tương ứng với mức rủi ro B phù hợp với mức xếp hạng trong dữ liệu. Như vậy, khi ngân hàng cho khách hàng Nguyễn Thị B vay thì khả năng thu hồi nợ.

- Khách hàng Trần Văn C (Kết quả xếp hạng B1, điểm tín dụng 225 điểm)

Bảng 3.13: Thông tin xếp hạng khách hàng Trần Văn C

Thông tin xếp hạng khách hàng Trần Văn C

Chỉ tiêu	Thông tin	Hệ số	Hằng số
Giới tính	1	2.180	-17.290
Thời gian làm việc	69	0.032
Số dịch vụ	1	2.008
Thu nhập	7	1.169
Tiền vay	50	-0.022
Tài sản	399	0.004
Tỷ lệ nợ trên tổng tài sản	12.52	0.118

(Nguồn: Ngân hàng TMCP Sài Gòn)

Xác suất trả nợ của khách hàng Trần Văn C là:

E(Y/X) = 𝑒−17.29+2.180∗1+0.032∗69+2.008∗1+1.169∗7−0.022∗50+0.004∗399+0.118∗12.52

1+𝑒−17.29+2.180∗1+0.032∗69+2.008∗1+1.169∗7−0.022∗50+0.004∗399+0.118∗12.52

0.4782

= 1+0.4782 = 0.3235

Như vậy, mô hình Binary Logistic dự đoán khả năng trả nợ của khách hàng Trần Văn C là 32.35%. Theo quy định trong bảng 3.10 thì xác suất trả nợ của khách hàng tương ứng với mức rủi ro C là rất cao (từ chối tín dụng), trong khi mô hình chấm điểm XHTD của SCB có mức rủi ro trung bình B1 chấp nhận cho vay. Như vậy, khi ngân hàng cho khách hàng Trần Văn C vay thì khả năng thu hồi nợ là rất thấp nếu đã cho vay cần thường xuyên theo dòi, kiểm tra và giám sát tình hình trả nợ của khách hàng để có biện pháp thu hồi nợ kịp thời.

Nhận xét:

- Kết quả đạt được:

+ Khả năng áp dụng mô hình khá tốt, dễ thực hiện với nhiều chỉ tiêu quan trọng.

+ Nâng cao khả năng phòng ngừa rủi ro tín dụng.

+ Thông qua kết quả xếp hạng khách hàng ngân hàng có thể xác định được mức rủi ro của khách hàng từ đó đưa ra những quyết định phù hợp: khả năng mở rộng tín dụng, tài sản đảm bảo, phân loại nợ trích lập dự phòng nhằm chống đỡ những rủi ro đó.

+ Ngoài ra hằng năm hoặc bất cứ lúc nào có biến động xảy ra có thể ảnh hưởng đến khả năng trả nợ của khách hàng, SCB đều có thể thực hiện xếp hạng lại tín nhiệm khách hàng từ đó đưa ra cách ứng xử thích hợp. Đối với những khách hàng xuống hạng cho thấy mức độ rủi ro của khoản vay đã gia tăng, ngân hàng sẽ đưa ra những giải pháp thích hợp kịp thời như: giảm dư nợ, yêu cầu bổ sung tài sản đảm bảo.

- Hạn chế:

+ Đề tài nghiên cứu với mẫu nhỏ (160 mẫu quan sát lấy từ cơ sở dữ liệu của SCB) nên việc sử dụng mô hình Binary Logistic còn nhiều hạn chế, thêm vào đó khi sử dụng mô hình có thể bị hiện tượng đa cộng tuyến, việc thu thập dữ liệu không chính xác hoặc cỡ mẫu quá nhỏ sẽ dẫn đến thiết lập mô hình sai, thiếu tin cậy.

+ Các biến đưa vào mô hình chỉ là một trong những nhân tố ảnh hưởng đến khả năng trả được nợ. Cần nghiên cứu chuyên sâu hơn để có được mô hình hoàn hảo nhất từ đó áp dụng thực tế dễ dàng hơn.

KẾT LUẬN CHƯƠNG 3

Đề tài nghiên cứu và đưa ra mô hình hồi quy Binary Logistic nhằm tìm ra được những nhân tố quan trọng ảnh hưởng đến khả năng trả nợ của khách hàng để có những đề xuất cần thiết hoàn thiện mô hình XHTD của SCB. Đề tài đã kiểm chứng được 7 yếu tố có tác động đến khả năng trả nợ của khách hàng cá nhân bao gồm: giới tính, thời gian làm công việc hiện tại, số dịch vụ đang sử dụng, thu nhập hàng tháng, số tiền vay, giá trị tài sản, tỷ lệ nợ trên tổng tài sản.

Trên cơ sở đó, tại Chương 4 đề tài đưa ra những giải pháp nhằm hoàn thiện mô hình XHTD cá nhân tại SCB trong thời gian tới.

CHƯƠNG 4: GIẢI PHÁP HOÀN THIỆN MÔ HÌNH XẾP HẠNG TÍN DỤNG CÁ NHÂN TẠI NGÂN HÀNG TMCP SÀI GÒN

4.1 Định hướng phát triển của Ngân hàng TMCP Sài Gòn giai đoạn 2013 -2015:

4.1.1. Mục tiêu định hướng hoạt động

Năm 2013 là năm thứ hai SCB triển khai đề án hợp nhất và tái cơ cấu toàn diện hoạt động ngân hàng. Do đó, hoạt động trong năm 2013 có tính chất quyết định sự thành công của đề án hợp nhất và tái cơ cấu ngân hàng. Với những đánh giá về triển vọng kinh tế năm 2013 và tác động đối với SCB như trên, mục tiêu hoạt động của SCB giai đoạn 2013 -2015 hướng tới là: “Kiện toàn bộ máy tổ chức, cũng cố và nâng cao năng lực tài chính, năng lực quản trị, kiểm soát, điều hành, hiện đại hoá công nghệ thông tin – Tạo nền tảng cho sự phát triển trung dài hạn” cụ thể như sau:

- Nâng cao năng lực tài chính để đảm bảo thanh khoản và sức mạnh cạnh tranh. Tiếp tục tăng quy mô vốn điều lệ căn cứ theo tình hình thực tế, tăng tài sản có đi đôi với nâng cao chất lượng và khả năng sinh lời của tài sản; giảm tỷ trọng tài sản có rủi ro trong tổng tài sản có; xử lý các khoản nợ xấu tồn động.

- Đẩy mạnh công tác huy động vốn, tăng cường tín dụng phù hợp với đặc điểm, tình hình hoạt động SCB trên cơ sở tăng cường kiểm soát chất lượng và rủi ro tín dụng.

+ Phát triển các sản phẩm huy động vốn đa dạng, phong phú, hấp dẫn để thu hút nguồn vốn nhàn rỗi từ các tổ chức kinh tế và dân cư.

+ Phát triển các sản phẩm tín dụng, các gói dịch vụ phục vụ nhu cầu vay vốn của khách hàng phù hợp với chính sách và định hướng tín dụng của SCB, cơ cấu lại danh mục tín dụng đầu tư theo hướng ưu tiên phát triển sản xuất, xuất nhập khẩu, nông nghiệp…

- Đa dạng hoá các sản phẩm dịch vụ ngân hàng, phấn đấu nâng dần tỷ trọng thu nhập từ dịch vụ trên tổng thu nhập của SCB.

- Hoàn thiện cơ cấu tổ chức – nhân sự, kiện toàn bộ máy hoạt động theo hướng tinh gọn, hiệu quả.