Xếp hạng tín dụng bằng mô hình logistic đối với khách hàng doanh nghiệp: Trường hợp nghiên cứu AgriBank bắc Nam Định

Nội dung text: Xếp hạng tín dụng bằng mô hình logistic đối với khách hàng doanh nghiệp: Trường hợp nghiên cứu AgriBank bắc Nam Định

1. XẾP HẠNG TÍN DỤNG BẰNG MÔ HÌNH LOGISTIC ĐỐI VỚI KHÁCH HÀNG DOANH NGHIỆP: TRƯỜNG HỢP NGHIÊN CỨU AGRIBANK BẮC NAM ĐỊNH Khúc Thế Anh1 TS. Lê Việt Thủy2 Tóm tắt Sau khủng khoảng kinh tế thế giới năm 2008, xếp hạng tín dụng đối với khách hàng doanh nghiệp vay vốn tại Agribank Bắc Nam Định gặp phải nhiều vấn đề như những khách hàng được đánh giá cao thì thường không trả nợ đúng hạn, còn những khách hàng trước đây bị xếp hạng thấp hơn thì việc hoàn trả thường đầy đủ. Dựa trên những dữ liệu quá khứ, mô hình Logistic đã đưa ra kiểm nghiệm và so sánh với kết quả thực tế cho thấy một số chỉ tiêu cần được thay đổi để phù hợp hơn với tình hình hiện tại của chi nhánh. Từ khóa: xếp hạng tín dụng, mô hình Logistic 1. Giới thiệu Xếp hạng tín dụng là một khâu quan trọng đối với các ngân hàng thương mại (NHTM), nhằm xác định rủi ro mà khách hàng có thể gặp phải khi sử dụng vốn vay, đồng thời giúp ngân hàng đưa ra quyết định có ký kết hợp đồng hay không. Vốn được phát triển và đưa vào sử dụng từ lâu, song xếp hạng tín dụng đối với khách hàng doanh nghiệp tại các NHTM hiện đã bộc lộ một số hạn chế, đặc biệt sau khủng hoảng tài chính toàn cầu, như những ngành nghề trước đây không được đánh giá cao về khả năng trả nợ thì hiện tại, lại có nợ quá hạn ít nhất. Với trường hợp nghiên cứu của Agribank Bắc Nam Định, bài viết sử dụng mô hình Logistic để xếp hạng (lại) với các khách hàng đã vay vốn, đối chiếu lại với xếp hạng nội bộ của ngân hàng, từ đó đưa ra một số hàm ý về chính sách. 2. Một số vấn đề cơ bản về mô hình Logistic Lớp mô hình với biến giải thích nhị phân hoặc số đếm thường được gọi chung là mô hình Logistis. Trường hợp biến phụ thuộc nhị phân mô hình được xây dựng như sau: Giả sử Y là các biến phụ thuộc (biến định tính), X1, X2, , Xn là các biến độc lập được lựa chọn (đòn bẩy tài chính, ROA, ROE ). Khi đó, có thể lượng hóa các biến định tính như sau: 1, 2 Trường Đại học Kinh tế Quốc dân. Email của tác giả chính: theanhnhd@gmail.com 543
2. Y = 1: Tài khoản xấu (default) Y = 0: Tài khoản tốt (non – default) Quan tâm đến xác suất p = P(Y = 1|X1, X2, Xn) và tác động của X1, X2, Xn đến xác suất này thông qua các tham số của mô hình. Mô hình Logit xác suất Y=1 được xác định bằng: ee0  1X 1i  2 X 2i  k X ki ( ,Xi ) pii hay p 1 e0  1X 1i  2 X 2i  k X ki 1 e( ,Xi ) X = (1, X1,X2, ,Xk); Xi = (1, X1i,X2i, ,Xki) (1, X1); =(0, 1, 2, ,k) Phương trình trên dựa trên luật phân bố logistic và hàm số tương ứng gọi là hàm Logistic. Với dạng hàm này p nhận giá trị từ 0 đến 1. Hàm pi phi tuyến với X và các tham số . Điều này có nghĩa là ta không thể áp dụng trực tiếp OLS để ước lượng. Người ta dùng ước lượng hợp lý tối đa để ước lượng . Gọi ˆ là ước lượng (hồi quy mẫu) của . Với ˆ ước lượng được, ta có thể được ước lượng xác suất pi = P(Y=1 Xi), theo công thức: exp(X ˆ ) pˆ = i i ˆ 1 exp(X i  ) Như vậy trong mô hình Logit không nghiên cứu ảnh hưởng trực tiếp của biến độc lập Xj đối với Y mà xem xét ảnh hưởng của Xj đến xác suất để Y nhận giá trị bằng 1 hay kỳ vọng của Y. 3. Xếp hạng tín dụng bằng mô hình Logistic 3.1. Lựa chọn biến Biến phụ thuộc: Khả năng trả nợ của khách hàng Y = 1 : Không có nợ xấu hay khả năng trả nợ cao. Y = 0 : Có nợ xấu (thường dự trên ngày quá hạn - trên 90 ngày) hay khả năng trả nợ thấp. Với pi = p(Y=1/Xt) , Yi là biến ngẫu nhiên phân phối theo quy luật Becnoulli. Giá trị của pi càng nhỏ thì khả năng không trả được nợ của doanh nghiệp càng cao. Biến độc lập: Theo Lưu Thị Hương và Vũ Duy Hào (2005) thì về cơ bản, có 4 nhóm chỉ tiêu trong tài chính doanh nghiệp là nhóm chỉ tiêu về khả năng thanh toán, nhóm chỉ tiêu về đòn bẩy tài chính, nhóm chỉ tiêu về khả năng hoạt động và nhóm chỉ tiêu về khả năng sinh lời. Trong mỗi nhóm chỉ tiêu này có thể gồm nhiều chỉ tiêu nhỏ, 544
3. song nếu lựa chọn nhiều hơn 1 chỉ tiêu trong 1 nhóm có thể dẫn đến tình trạng tự tương quan giữa các biến. Do vậy, trong bài viết, tác giả chỉ sử dụng 4 biến độc lập sau: Khả năng thanh toán nhanh = (tiền + các khoản đầu tư tài chính ngắn hạn): (Nợ phải trả ngắn hạn). Đòn bẩy tài chính = Nợ phải trả chia vốn chủ sở hữu. Vòng quay tổng tài sản = Doanh thu thuần trên tổng tài sản bình quân. ROE = Lợi nhuận sau thuế: vốn chủ sở hữu. Hình 1. Mô hình nghiên cứu đề xuất Khả năng thanh toán nhanh (X1) H1(+) Đòn bẩy tài chính (X2) H2(-) Xếp hạng tín dụng H3(+) doanh nghiệp vay vốn Vòng quay tổng tài sản (X3) (Y) ROE (X4) H4(+) Giả thiết nghiên cứu: X1, X3 và X4 có tác động cùng chiều với Y. X2 có tác động ngược chiều với Y. Thu thập dữ liệu: Các dữ liệu được thu thập từ 186 doanh nghiệp đã vay vốn tại chi nhánh, và kể cả các doanh nghiệp từ chối vay vốn. Các dữ liệu này đều thuộc dạng dữ liệu thứ cấp. Phần mềm sử dụng: Eview 4. 3.2. Hồi quy và phân tích mô hình a. Mối tương quan giữa các biến trong mô hình Bảng 1. Mối tương quan giữa các biến trong mô hình X4 X3 X2 X1 X4 1.000000 0.023475 -0.005381 0.120317 X3 0.023475 1.000000 0.206209 0.096038 X2 -0.005381 0.206209 1.000000 0.083803 X1 0.120317 0.096038 0.083803 1.000000 545
4. Bảng mối quan hệ tương quan cho thấy, hệ số tương qua giữa các biến đều từ 0,12 trở xuống nên có thể nói đa phần các biến không có mối liên hệ, và có thể sử dụng tất cả các biến để xây dựng mô hình. b. Hồi quy và kiểm định mô hình Bảng 2. Kết quả ước lượng mô hình Dependent Variable: Y Method: ML - Binary Logit (Quadratic hill climbing) Date: 04/22/16 Time: 08:43 Sample: 1 186 Included observations: 186 Convergence achieved after 5 iterations Covariance matrix computed using second derivatives Variable Coefficient Std. Error C -0.189642 0.896818 X1 -0.029938 (*) 0.515201 X2 1.163289 ( ) 0.534715 X3 -0.326741( ) 0.109706 X4 -3.763693 (*) 2.776591 Mean dependent var 0.198925 S.D. dependent var 0.400269 S.E. of regression 0.389157 Akaike info criterion 0.978422 Sum squared resid 27.41127 Schwarz criterion 1.065135 Log likelihood -85.99323 Hannan-Quinn criter. 1.013561 Restr. log likelihood -92.79692 Avg. log likelihood -0.462329 LR statistic (4 df) 13.60739 McFadden R-squared 0.073318 Probability(LR stat) 0.008660 Obs with Dep=0 149 Total obs 186 Obs with Dep=1 37 Ghi chú: ( ) Với độ tin cậy trên 95%. (*) Với độ tin cậy đến 90% 546
5. Dựa vào kết quả ước lượng mô hình, có thể thu được mô hình hồi quy như sau: exp(−0.189642 − 0.029938 1 + 1.163289 2 − 0.326741 3 − 3.763693 4) 푖 = 1 + exp(−0.189642 − 0.029938 1 + 1.163289 2 − 0.326741 3 − 3.763693 4) Kết quả trên cho thấy, có 2 nhóm biến tác động ngược chiều đến khả năng trả nợ của doanh nghiệp là X1, X3 và X4. Biến còn lại X2 tác động cùng chiều. Như vậy, các giả thiết nghiên cứu đặt ra đều bị ngược. Điều này hàm nghĩa, khả năng thanh toán nhanh, vốn được coi trọng trong ngắn hạn, chưa chắc đã có tác động tích cực đến khả năng trả nợ trong thời gian dài hơn (thường các khoản vay tại chi nhánh đều từ trung hạn trở lên). Thậm chí, đối với những doanh nghiệp có ROE càng cao, khả năng và thiện chí trả nợ càng có vấn đề. Ngược lại, các chỉ tiêu đòn bẩy tài chính, vốn được cho rằng có tác động ngược chiều, thì sau khi kiểm định lại cho kết quả ngược lại. Điều này phần nào phù hợp với điều kiện các doanh nghiệp vay vốn hiện nay trên địa bàn Bắc Nam Định: các doanh nghiệp sử dụng vốn tự có quá nhiều, nhưng lại không đáp ứng đủ nhu cầu sản xuất kinh doanh, gây ra tình trạng khó trả nợ cho ngân hàng. Phân tích kết quả của mô hình Đo lường rủi ro đối với ngân hàng thường áp dụng với việc xếp hạng tín dụng khách hàng doanh nghiệp, hợp tác xã và hộ gia đình. Kết quả ước lượng của mô hình Logistic là xác suất khả năng trả nợ của khách hàng doanh nghiệp. Nếu mức xác suất này càng cao thì doanh nghiệp có khả năng trả nợ tốt còn khi mức xác suất này thấp, doanh nghiệp sẽ đối mặt với khả năng mất khả năng thanh toán nợ. Do đó, căn cứ vào mức xác suất ước lượng tương ứng từ mô hình Logistic, có thể phân mức xác suất trên thành các nhóm đặc trưng cho khả năng trả nợ của doanh nghiệp: Bảng 3. Bảng phân hạng tín dụng theo mô hình Logistic. Mức xác suất pi Hạng mức tín dụng 0.9 – 1.0 AAA 0.8 - 0.9 AA 0.7 - 0.8 A 0.6 - 0.7 BBB 0.5 - 0.6 BB 0.4 - 0.5 B 0.3 - 0.4 CCC 0.2 - 0.3 CC 0.1 - 0.2 C Dưới 0.1 D 547
6. Những dự báo được đưa ra liên quan đến việc có đồng ý cấp tín dụng cho khách hàng hay không. Dựa vào kết quả xếp hạng ở trên cho thấy, đối với những khách hàng bị xếp vào hạng D là những khách hàng nguy hiểm, chắc chắn không thể cấp tín dụng được. Những khách hàng này - sau khi tham khảo những thông tin tìm hiểu được cũng cho những kết quả tương tự. Đối với những khách hàng thuộc nhóm B, CCC, CC và C là những khách hàng có thể bị xếp vào nợ nhóm 3 và 4 - mặc dù chưa tiến hành cấp tín dụng. Do vậy, đối với những khách hàng này cần phải xem xét thật kỹ việc đánh đổi giữa lợi nhuận kỳ vọng và rủi ro. Việc quyết định này phải do giám đốc từng chi nhánh quyết định. Đối với những doanh nghiệp hoặc hợp tác xã có rủi ro quá cao, phải do hội sở chính quyết định. Những khách hàng được xếp hạng AAA, AA và A. Đây là những khách hàng nhóm 1 - nếu như cấp tín dụng và phân loại nợ, và cũng được coi là khách hàng tiềm năng của ngân hàng. Do vậy, những dự báo trong tương lai về nhóm khách hàng này đều được cho rằng khá ổn định, phù hợp với việc quản lý và cấp của ngân hàng. Với nhóm khách hàng còn lại, BBB và BB, đây là những khách hàng có thể xếp vào hạng rủi ro số 2, tức là nếu phân loại nợ thì doanh nghiệp hoặc hợp tác xã này thường rơi vào nợ nhóm 2. Khách hàng này có thể được cấp tín dụng, song đối với trường hợp này cần xem xét tỉ mỉ khi quyết định, do hiện tại ngân hàng vẫn phân loại nợ theo Thông tư 09/2014/TT-NHNN: bản thân nợ của một khoản tín dụng vẫn chỉ ảnh hưởng tới riêng nó, song nếu như thời gian tới, khi phù hợp hơn với chuẩn mực quốc tế thì Thông tư 02/2013/TT- NHNN lại là điều kiện tiên quyết. Do vậy, trong điều kiện hiện tại, nhóm khách hàng này có thể được cấp tín dụng, song trong quá trình giải ngân và giám sát thì nên theo dõi sát sao. So sánh kết quả xếp hạng của mô hình, xếp hạng nội bộ tại chi nhánh và thực tế trả nợ (chỉ đối với trường hợp bị lệch) 548
7. Bảng 4. So sánh kết quả xếp hạng bằng mô hình Logistic và xếp hạng nội bộ Số doanh nghiệp bị lệch trên Số doanh nghiệp bị lệch trên thực Hạng thực tế khi xếp hạng bằng mô tế khi xếp hạng nội bộ hình Logistic AAA 4 1 AA 3 0 A 0 0 BBB 2 2 BB 3 2 B 3 1 CCC 1 3 CC 3 1 C 2 0 D 2 1 Tổng 23 11 Sau khi hồi quy mô hình, kết quả cho thấy số lượng các doanh nghiệp bị xếp hạng lệch theo đánh giá của chi nhánh cao hơn nhiều so với kiểm định lại bằng mô hình Logistic. Cụ thể, các doanh nghiệp bị xếp hạng lệch so với thực tế trả nợ theo mô hình chỉ là 11 doanh nghiệp, trong số này, xếp sai trong cùng 1 nhóm (theo phân khoảng bên trên) là 8, và chỉ có 2 doanh nghiệp bị xếp từ nhóm 1 xuống nhóm 3. Ngược lại, đối với xếp hạng nội bộ, đã bộc lộ một số hạn chế như xếp lệch 23 doanh nghiệp (trên tổng số 186 doanh nghiệp gửi hồ sơ vay vốn, chiếm tỷ trọng 12,4%). Trong số này, số doanh nghiệp bị xếp lệch trong nhóm nợ là 7, xếp sai nhóm nợ (từ nhóm nợ 3 đến 5 trên thực tế lên nhóm 1 và nhóm 2) là 12. Số còn lại, 4 doanh nghiệp trong lĩnh vực nông nghiệp, lại bị xếp xuống. Điều đó hàm ý cho thấy rằng, xếp hạng nội bộ tại chi nhánh đang có vấn đề khi xảy ra sai lệch với thực tế quá cao. 549
8. 4. Một số hàm ý rút ra từ kết quả của mô hình Từ kết quả của mô hình, có thể thấy xếp hạng tín dụng nội bộ của ngân hàng – thể hiện qua kết quả của chi nhánh có một số điểm hạn chế như sau: (1) có sự sai lệch khá nhiều so với thực tế. Trong số 186 doanh nghiệp được lưu trữ thông tin tại chi nhánh, thì sự sai lệch lên đến 23 doanh nghiệp. Mặc dù trong số này đa phần đều không bị chuyển hạng tín dụng (từ cùng một nhóm rủi ro, nếu đánh giá trước khi cho vay), song khoảng cách giữa các nhóm tương đối nhỏ, và việc chấm điểm này lại phân thành 10 nhóm chứ không phải 5 nhóm; (2), đánh giá không chuẩn đối với các doanh nghiệp thuộc lĩnh vực nông nghiệp. Theo mô hình xếp hạng tín dụng nội bộ, thì những doanh nghiệp vay vốn cho sản xuất, kinh doanh mặt hàng nông nghiệp thường không có thứ hạng cao tại chi nhánh Bắc Nam Định (phổ biến nhiều nhất thuộc BB đến A), tức là thuộc nhóm nợ thứ 2 đến nhóm thứ 3. Việc này cho thấy, chi nhánh không đánh giá cao nhóm khách hàng này có khả năng trả nợ tốt, và trên thực tế, thường thì khách hàng bị đánh giá vào phân nhóm này có khả năng cao bị từ chối cho vay, hoặc cho vay với một mức lãi suất cao hơn (do phần bù rủi ro lớn hơn). Nhưng đây lại là nhóm khách hàng trả nợ tốt hơn cho ngân hàng! Những sai lệch cho thấy, nhóm được trả nhiều nhất lại là nhóm khách hàng liên quan đến xây dựng cơ bản, vốn trước đây được đánh giá cao. Do vậy, một số hàm ý có thể rút ra như sau: Thứ nhất, kiến nghị thay đổi xếp hạng tín dụng doanh nghiệp tại Agribank. Mô hình chấm điểm đã phục vụ rất nhiều cho chi nhánh đối với việc thẩm định các khoản cho vay và quyết định có ký kết hợp đồng hay không, song với sự sai lệch trên thực tế tương đối lớn, thì cần cân nhắc sử dụng thêm các mô hình như Logit, Probit hay thẻ điểm tín dụng để đối chiếu kết quả, tìm ra mô hình phù hợp nhất. Kết quả hiện tại trong bài cho thấy, hiện tại mô hình Logit tìm thấy một “đầu ra” phù hợp hơn. Thứ hai, thay đổi tỷ trọng các chỉ tiêu phi tài chính của chi nhánh, đặc biệt là ngành nghề mà doanh nghiệp hoạt động. Hiện tại hội sở chính chỉ hướng dẫn phân loại khách hàng - kể cả cá nhân lẫn doanh nghiệp - vào 3 mảng chính, song lại có những sự lai tạo nhất định giữa khách hàng xin cấp tín dụng tại ngân hàng. Do vậy, ngân hàng cần tạo ra những chuẩn mực nhất định để phân khách hàng vào những mức cụ thể, từ đó hạn chế đến mức tối đa những dị biệt trong hoạt động kinh doanh của khách hàng, để từ đó có những cách thức cho điểm phù hợp. Thêm vào đó, chỉ tiêu phi tài chính chiếm tỷ trọng tương đối lớn, 35% tổng số điểm. Trong điều kiện hiện tại, đa phần các doanh nghiệp vay vốn trên địa bàn đều là các doanh nghiệp vừa và nhỏ, chất lượng hoạt động kinh doanh chưa tốt, và chưa niêm yết trên thị trường nên không cần đặt quá 550
9. nặng chỉ tiêu này. Do vậy, trong bài tác giả không sử dụng nhóm chỉ tiêu này để so sánh, và kết quả cũng cho thấy, khi không sử dụng chỉ tiêu này thì cũng không có nhiều khác biệt đối với thực tế. Một số hạn chế khi chỉ lựa chọn mô hình Logit khi xếp hạng: mặc dù bài viết đã đưa ra được khuyến nghị nhất định, và tìm được một hướng đi đối với công tác xếp hạng tín dụng doanh nghiệp tại Agribank Bắc Nam Định, song vẫn còn một số khe hở như: (1) mô hình Logistic chỉ ứng dụng trên một khoản tín dụng - có nghĩa là nên cấp tín dụng đối với khoản mục của một khách hàng bất kỳ hay không, mà bỏ qua toàn bộ việc xác định rủi ro với mức tín dụng của toàn bộ một danh mục hoặc một nhóm khách hàng tương quan; (2) số lượng khách hàng chạy trên quy mô của một chi nhánh là khá nhỏ, và không đủ để hàm ý cho những chi nhánh lớn, chỉ phù hợp với những chi nhánh cấp 2 trên toàn hệ thống, với địa bàn đa phần là nông nghiệp như Nam Định. Do vậy, trong thời gian tới cần có những nghiên cứu với bộ số liệu lớn hơn, đặc biệt là bộ số liệu về khách hàng lớn, được đánh giá trực tiếp tại hội sở; (3) bản thân mô hình khi chạy với dữ liệu của ngân hàng lại chỉ đo được rủi ro tín dụng đối với khách hàng, song trên thực tế, còn rất nhiều những loại rủi ro khác nhau tác động lên cả ngân hàng lẫn khách hàng, trong đó điển hình nhất là rủi ro thị trường: thay đổi trong khung pháp lý, những biến động về giá cả trong thời gian tới hoặc những thay đổi trong bản thân ngành nông nghiệp thì không được đề cập đến. Do vậy, cần đối chiếu thêm với một số mô hình khác để có thể tìm ra kết quả phù hợp nhất. Tài liệu tham khảo 1. Nguyễn Quang Dong, Nguyễn Thị Minh (2012), Kinh tế Lượng, Nhà xuất bản Đại học Kinh tế Quốc dân, Hà Nội. 2. Nguyễn Quang Dong, Bùi Dương Hải (2010), Hướng dẫn thực hành Kinh tế Lượng, Nhà xuất bản Đại học Kinh tế Quốc dân, Hà Nội. 3. Joel Bessic (2012) Quản trị rủi ro trong ngân hàng, Sách dịch, Nhà xuất bản Lao động Xã hội, Hà Nội. 4. Nguyễn Văn Tiến (2010), Quản trị rủi ro trong kinh doanh ngân hàng, Nhà xuất bản Lao động Xã hội, Hà Nội. 5. Vũ Duy Hào, Lưu Thị Hương (2005), Tài chính doanh nghiệp, Nhà xuất bản Tài chính, Hà Nội. 6. Hồ sơ vay vốn của khách hàng, lưu trữ tại Agribank chi nhánh Bắc Nam Định. 551