Nghiên cứu mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit) trong bối cảnh dịch bệnh Covid-19 hiện nay

Nghiên cứu mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit) trong bối cảnh dịch bệnh Covid-19 hiện nay.Nghiên cứu mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit) trong bối cảnh dịch bệnh Covid-19 hiện nay.Nghiên cứu mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit) trong bối cảnh dịch bệnh Covid-19 hiện nay.Nghiên cứu mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit) trong bối cảnh dịch bệnh Covid-19 hiện nay.Nghiên cứu mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit) trong bối cảnh dịch bệnh Covid-19 hiện nay.Nghiên cứu mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit) trong bối cảnh dịch bệnh Covid-19 hiện nay.

Tính cấp thiết của đề tài

Trong bối cảnh hội nhập kinh tế toàn cầu, ngân hàng và các tổ chức tín dụng đóng vai trò quan trọng trong sự phát triển của nền kinh tế Việt Nam Chúng hoạt động như trung gian tín dụng, kết nối tiết kiệm và đầu tư, cũng như bên vay và bên cho vay Qua hoạt động tín dụng, nguồn vốn được chuyển giao từ nơi thừa sang nơi thiếu, giúp nâng cao hiệu quả sử dụng vốn, thúc đẩy sản xuất, kinh doanh và phát triển kinh tế, từ đó cải thiện đời sống người dân.

Trong mối quan hệ kinh tế quốc tế, tín dụng đóng vai trò quan trọng như một cầu nối giữa các quốc gia, giữa chính phủ với các tổ chức và cá nhân, cũng như giữa các cá nhân với nhau.

Tiềm năng phát triển của tín dụng cá nhân tại Việt Nam rất lớn, với dân số gần 99 triệu người và lực lượng lao động trên 15 tuổi khoảng 67 triệu người Theo Tổng cục Thống kê, tính đến tháng 4/2022, số lượng khách hàng của FE Credit đã đạt 12 triệu, tương đương 17,9% dân số trong độ tuổi lao động Điều này cho thấy cơ hội mở rộng cho ngành tài chính cá nhân vẫn còn nhiều Trong những năm qua, nhiều tổ chức tài chính quốc tế đã đầu tư và hợp tác với các công ty tài chính trong nước, như Credit Saison với HD Finance và Ngân hàng Shinsei với Ngân hàng TMCP, góp phần thúc đẩy sự phát triển của lĩnh vực này.

Quân đội thành lập công ty tài chính Mcredit vào năm 2016, và mới đây, VP Bank đã thông báo rằng tập đoàn SMBC mua lại 49% cổ phần của FE Credit, cho thấy sức hút mạnh mẽ của thị trường tài chính tiêu dùng và tiềm năng phát triển trong lĩnh vực này Tuy nhiên, nếu các tổ chức tín dụng chỉ chú trọng vào tăng trưởng tín dụng và lợi nhuận mà bỏ qua việc chấm điểm, xét duyệt cho vay và đánh giá khả năng trả nợ của khách hàng, họ có thể gặp rủi ro cao, đặc biệt trong hoạt động tín dụng tiêu dùng cá nhân Tình hình dịch bệnh Covid-19 phức tạp đã ảnh hưởng đến đời sống kinh tế xã hội, dẫn đến nợ xấu của một số tổ chức tín dụng tăng trong năm 2021 so với năm 2020.

FE Credit, công ty hàng đầu trong lĩnh vực cho vay tín dụng cá nhân tại Việt Nam từ năm 2011, đã đạt tổng dư nợ hơn 75 nghìn tỷ đồng vào năm 2021 Tuy nhiên, tỷ lệ nợ xấu của công ty đã tăng hơn 2 lần so với năm 2020 do ảnh hưởng của dịch bệnh, điều này đặt ra yêu cầu cần có giải pháp để giảm tỷ lệ nợ xấu Một trong những giải pháp hiệu quả là hoàn thiện mô hình chấm điểm tín dụng cá nhân, giúp dự đoán chính xác khả năng trả nợ của khách hàng, từ đó giảm thiểu rủi ro Để xây dựng mô hình chấm điểm tín dụng phù hợp với bối cảnh hiện tại, cần tiến hành nghiên cứu các yếu tố liên quan và đưa ra các đề xuất nhằm nâng cao hiệu quả kinh doanh cho FE Credit.

Trong bối cảnh dịch bệnh Covid-19 hiện nay, tác giả đã chọn đề tài "Nghiên cứu mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit)" cho luận văn Thạc sĩ của mình, nhằm đáp ứng yêu cầu cấp thiết trong lĩnh vực tài chính.

Mục tiêu và câu hỏi nghiên cứu

Phân tích, đánh giá các yếu tố của mô hình chấm điểm tín dụng cá nhân của

FE Credit từ đó đưa ra các giải pháp nhằm hoàn thiện mô hình chấm điểm tín dụng phù hợp với bối cảnh hiện tại.

Tìm hiểu và đánh giá các cơ sở lý luận về chấm điểm tín dụng cá nhân là cần thiết để phân tích các yếu tố ảnh hưởng đến mô hình chấm điểm tín dụng hiện tại của FE Credit Trong bối cảnh hiện nay, việc nhận định các yếu tố này giúp xác định những thay đổi cần thiết trong mô hình chấm điểm tín dụng cá nhân tại FE Credit Đề xuất những điều chỉnh phù hợp sẽ góp phần tối ưu hóa kết quả kinh doanh cho công ty trong giai đoạn hiện tại.

Từ năm 2019, dịch bệnh Covid-19 đã gây ra những tác động nghiêm trọng đến sản xuất, kinh doanh và đời sống nhân dân tại Việt Nam, đặc biệt ảnh hưởng đến các tổ chức tín dụng và ngân hàng Nợ xấu gia tăng, nhất là ở FE Credit với mô hình cho vay tiêu dùng, khiến việc khắc phục tình trạng này trở nên cấp thiết Khách hàng của FE Credit thường không có tài sản thế chấp và không cần chứng minh thu nhập, làm cho việc đánh giá rủi ro trở nên khó khăn hơn trong bối cảnh dịch bệnh Do đó, cần nghiên cứu để đánh giá các yếu tố ảnh hưởng đến mô hình chấm điểm tín dụng của FE Credit, từ đó tìm ra phương pháp giải quyết các vấn đề phát sinh.

+ Câu hỏi số 1: Các cơ sở lý luận liên quan đến hoạt động tín dụng là gì?

+ Câu hỏi số 2: Những đề xuất để hoàn thiện mô hình chấm điểm tín dụng FE Credit trong bối cảnh hiện nay là gì?

Để nâng cao hiệu quả của hoạt động xếp hạng tín dụng, cần đề xuất một số giải pháp như tăng cường minh bạch thông tin tín dụng, cải thiện quy trình đánh giá và xếp hạng, cũng như áp dụng công nghệ tiên tiến trong phân tích dữ liệu Bên cạnh đó, việc đào tạo nâng cao năng lực cho đội ngũ nhân viên và xây dựng các tiêu chuẩn xếp hạng tín dụng rõ ràng cũng rất quan trọng Cuối cùng, cần có sự phối hợp chặt chẽ giữa các cơ quan quản lý và tổ chức tín dụng để tạo ra một hệ thống xếp hạng tín dụng hiệu quả và tin cậy.

Phương pháp nghiên cứu

Nghiên cứu này áp dụng phương pháp định lượng để phân tích và đánh giá các yếu tố của mô hình chấm điểm tín dụng cá nhân trong bối cảnh hiện tại Dữ liệu được thu thập từ thông tin cá nhân của khách hàng có khoản vay tại FE Credit, kết hợp với các dữ liệu thứ cấp về tác động của dịch bệnh Covid-19 đến đời sống người dân.

Dữ liệu nghiên cứu được thu thập từ hệ thống cơ sở dữ liệu của FE Credit, bao gồm thông tin từ các báo cáo kinh doanh trước và sau đại dịch Covid-19, cùng với các đánh giá về tác động của dịch bệnh đến người dân Ngoài ra, việc phỏng vấn và tham khảo ý kiến của các chuyên gia có kinh nghiệm trong quản trị rủi ro tại FE Credit đã giúp đưa ra nhận xét về các yếu tố ảnh hưởng đến khả năng trả nợ của cá nhân khi tham gia tín dụng tại FE Credit hiện nay, từ đó bổ sung những yếu tố mới tác động đến khả năng trả nợ của khách hàng trong bối cảnh hiện tại.

Nghiên cứu đã sử dụng phân tích hồi quy Binary Logistic qua phần mềm SPSS để kiểm tra sự phù hợp và khả năng dự đoán của mô hình, cũng như đánh giá mức độ ảnh hưởng của các yếu tố đến khả năng trả nợ của khách hàng Dựa trên kết quả phân tích, nghiên cứu đã đưa ra những đánh giá về các yếu tố trong mô hình chấm điểm tín dụng cá nhân hiện tại và đề xuất bổ sung hoặc thay thế một số yếu tố, nhằm hoàn thiện mô hình chấm điểm tín dụng trong bối cảnh dịch bệnh Covid-19.

Ý nghĩa khoa học và thực tiễn của đề tài

Nghiên cứu này nhằm đánh giá các yếu tố ảnh hưởng đến hoạt động chấm điểm tín dụng cá nhân, từ đó cung cấp cái nhìn sâu sắc về quy trình và các yếu tố quyết định trong việc đánh giá tín dụng.

FE Credit hiện nay đang tiến hành nghiên cứu và đánh giá tình hình kinh tế – xã hội thực tế để xác định các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng Dựa trên kết quả này, nghiên cứu sẽ đề xuất các giải pháp nhằm hoàn thiện mô hình chấm điểm tín dụng, phù hợp với bối cảnh hiện tại.

Kết quả nghiên cứu này có thể làm nền tảng cho việc áp dụng vào thực tiễn, giúp FE Credit hoàn thiện quy trình chấm điểm tín dụng cá nhân, từ đó phù hợp hơn với tình hình thực tế và nâng cao hiệu quả kinh doanh.

Tác giả đề xuất các giải pháp nhằm cải thiện hoạt động kinh doanh tín dụng cá nhân tại Việt Nam, tập trung vào việc tối ưu hóa quy trình thực hiện của FE Credit và các cơ quan quản lý nhà nước Những giải pháp này không chỉ giúp nâng cao hiệu quả kinh doanh mà còn bảo vệ quyền lợi của cả người cho vay và người đi vay trong lĩnh vực tín dụng.

Kết cấu của luận văn

Ngoài phần Lời mở đầu, Kết luận, Danh mục và Tài liệu tham khảo, nội dung chính của Luận văn được trình bày gồm 05 chương:

Chương 1: Tổng quan về nghiên cứu và giới thiệu về FE Credit

Chương 2: Cơ sở lý luận

Chương 3: Phương pháp nghiên cứu

Chương 4: Kết quả nghiên cứu

Chương 5: Thảo luận, kiến nghị và kết luận

Tóm tắt phần mở đầu

Nghiên cứu này nhấn mạnh tính cần thiết của việc hoàn thiện mô hình chấm điểm tín dụng cá nhân Chương mở đầu giới thiệu các luận điểm về mục tiêu, mục đích, đối tượng và phạm vi nghiên cứu Đồng thời, tác giả cũng trình bày những nội dung cơ bản của phương pháp nghiên cứu và cấu trúc của luận văn.

TỔNG QUAN VỀ NGHIÊN CỨU VÀ GIỚI THIỆU VỀ FE

Tổng quan tình hình nghiên cứu

Trong nền kinh tế thị trường, các doanh nghiệp phải đối mặt với cạnh tranh và cần nâng cao chất lượng cũng như quy mô hoạt động để tồn tại và phát triển Đối với ngân hàng và tổ chức tín dụng, hoạt động tín dụng đóng vai trò quan trọng trong việc cải thiện hiệu quả kinh doanh và năng lực cạnh tranh Tuy nhiên, việc mở rộng quy mô tín dụng cũng dẫn đến rủi ro gia tăng, như tỷ lệ nợ xấu cao Do đó, để đảm bảo hoạt động tín dụng an toàn, hiệu quả và bền vững, các ngân hàng và tổ chức tín dụng cần nâng cao chất lượng tín dụng nhằm giảm thiểu rủi ro.

Nâng cao chất lượng tín dụng và tái cơ cấu hệ thống ngân hàng là những vấn đề quan trọng đã thu hút sự quan tâm của nhiều nhà kinh tế Các nghiên cứu đã được thực hiện từ nhiều góc độ và khía cạnh khác nhau, nhằm tìm ra giải pháp hiệu quả cho những thách thức này.

- Nghiên cứu của Trang Ngọc Đăng (2015): Tác giả về ứng dụng mô hình

Bianry Logistic thực hiện phân tích rủi ro tín dụng cá nhân không có tài sản đảm bảo tại Ngân hàng Việt Nam Thịnh vượng (VP Bank) bằng cách khai thác dữ liệu thứ cấp từ hoạt động tín dụng thực tế của ngân hàng Nghiên cứu nhằm đánh giá ý nghĩa, độ tin cậy và mức độ liên quan của các biến độc lập đối với biến phụ thuộc Tác giả đề xuất loại bỏ các biến không có ý nghĩa trong mô hình và lựa chọn mô hình phù hợp nhất cho nghiệp vụ tín dụng cá nhân không có tài sản đảm bảo tại VP Bank.

Nghiên cứu đã sử dụng mô hình hồi quy Binary Logistic để đánh giá 18 biến độc lập ảnh hưởng đến quyết định vay vốn Các biến này bao gồm Số tiền vay (X2), Thời hạn vay (X3), Lãi suất (X4), Số tiền phải trả hàng tháng (X5), Trình độ học vấn (X6), Tình trạng hôn nhân (X7), Giới tính (X8), Tuổi (X9), Nghề nghiệp (X10), Tình trạng nhà ở (X11), Thời gian sinh sống (X12), Số người phụ thuộc (X13), Thời gian công tác (X14), Thu nhập cá nhân (X15), Chi phí cá nhân (X16), Bảo hiểm khoản vay (X17), Thu nhập gia đình (X18) và Chi phí gia đình (X19).

Nghiên cứu tại VP Bank đã chỉ ra rằng 10 trong số 18 biến được đưa vào mô hình có khả năng giải thích rủi ro tín dụng của khách hàng vay không có tài sản đảm bảo, bao gồm tình trạng hôn nhân, giới tính, tuổi, nghề nghiệp, tình trạng nhà ở, số người phụ thuộc, thời gian công tác, bảo hiểm khoản vay, thu nhập gia đình và chi phí gia đình Trong khi đó, 8 biến còn lại không có ý nghĩa thống kê rõ ràng Nghiên cứu sử dụng dữ liệu từ khách hàng hiện có mối quan hệ tín dụng với VP Bank và áp dụng phương pháp hồi quy Binary Logistic, cho thấy phương pháp định lượng mang lại sự thuyết phục hơn so với phân tích định tính Đặc biệt, việc xác định và thẩm định tính chính xác thông tin do khách hàng cung cấp là rất quan trọng, yêu cầu VP Bank phải có hệ thống thẩm định chéo để đảm bảo độ tin cậy của kết quả điểm tín dụng.

Số lượng mẫu quan sát hiện tại là 207 mẫu không đủ để phản ánh chính xác thông tin tín dụng của khách hàng, do đó không thể áp dụng hiệu quả trong thực tế Để nâng cao độ chính xác của kết quả nghiên cứu, cần tăng cường số lượng mẫu quan sát tương ứng với số lượng khách hàng của VPBank, nhằm đạt được kết quả nghiên cứu chính xác và có tính ứng dụng cao hơn.

Nghiên cứu của Nguyễn Văn Hùng (2012) áp dụng phương pháp nghiên cứu định lượng và mô hình Logit để phân tích dữ liệu, nhằm đánh giá các yếu tố ảnh hưởng đến hoạt động XHTD tại Ngân hàng TMCP Quốc tế - Chi nhánh Hoàn Kiếm Từ đó, tác giả đưa ra các giải pháp nhằm nâng cao chất lượng dịch vụ XHTD của ngân hàng này.

Nghiên cứu định lượng đã xác định các yếu tố có ảnh hưởng đến khả năng trả nợ của khách hàng, bao gồm báo cáo tài chính được kiểm toán chấp nhận, lợi nhuận sau thuế/vốn chủ sở hữu, hệ số thanh toán tức thời, và số năm quan hệ tín dụng với ngân hàng VIB Ngược lại, các biến như thanh toán hiện tại, thanh toán nhanh, vòng quay vốn độc lập, và hiệu suất sử dụng tài sản cố định không có tác động đáng kể Nghiên cứu sử dụng mô hình hồi quy để so sánh khả năng dự đoán giữa mô hình tín dụng hiện tại và mô hình đề xuất, với kết quả cho thấy cả hai mô hình đều có độ chính xác 80,56%, nhưng mô hình đề xuất đạt 93% trong việc dự đoán khả năng trả nợ Mặc dù số mẫu nghiên cứu chỉ có 36, làm giảm độ tin cậy, nhưng các phương pháp và lý luận từ nghiên cứu này có thể hữu ích cho các nghiên cứu sau.

Nghiên cứu của Lê Văn Triết (2010) áp dụng phương pháp phân tích số liệu định tính để đánh giá hệ thống xếp hạng tín dụng tại ACB Qua việc thử nghiệm xếp hạng tín dụng của khách hàng có dư nợ tại ACB, tác giả so sánh và đánh giá với các hệ thống xếp hạng tín dụng trong và ngoài nước Từ những đánh giá định tính này, nghiên cứu đề xuất giải pháp nhằm hoàn thiện hệ thống xếp hạng tín dụng cá nhân của ACB.

Nghiên cứu đã chỉ ra rằng nhiều yếu tố như tuổi, trình độ học vấn, lý lịch tư pháp, tình trạng hôn nhân, tính chất công việc, tổng thu nhập, tình hình trả nợ và tiền gửi tiết kiệm đều ảnh hưởng đến khả năng trả nợ của khách hàng Mặc dù các tiêu chí này phù hợp với thực tế và được nhiều mô hình chấm điểm tín dụng công nhận, nhưng việc sử dụng phương pháp nghiên cứu định tính khiến cho việc đề xuất các yếu tố mới dựa trên kinh nghiệm cá nhân của tác giả chưa thể đánh giá cụ thể mức độ ảnh hưởng Do đó, nghiên cứu chưa phản ánh đầy đủ những biến động thực tế trong hoạt động xếp hạng tín dụng của ACB, đặc biệt trong bối cảnh dịch bệnh Covid-19, khi mà nhiều yếu tố có thể thay đổi và ảnh hưởng đến khả năng trả nợ của khách hàng.

Nghiên cứu về xếp hạng tín dụng có thể áp dụng nhiều phương pháp khác nhau, trong đó phương pháp định tính phụ thuộc vào trình độ và kinh nghiệm của người nghiên cứu, trong khi phương pháp định lượng cung cấp dữ liệu thuyết phục hơn nhờ vào các phân tích cụ thể Tuy nhiên, nghiên cứu định lượng có thể gặp hạn chế do kích thước mẫu nhỏ, ảnh hưởng đến độ chính xác của kết quả Dựa trên đánh giá kết quả các nghiên cứu trước, tác giả có thể lựa chọn phương pháp nghiên cứu phù hợp, xác định mô hình và đề xuất giải pháp nhằm khắc phục các hạn chế, từ đó nâng cao chất lượng nghiên cứu.

Giới thiệu về FE Credit

1.2.1 Quá trình hình thành và phát triển

Vào tháng 02/2015, Công ty Tài chính TNHH MTV Ngân hàng Việt Nam Thịnh Vượng được thành lập với 100% vốn chủ sở hữu từ Ngân hàng TMCP Việt Nam Thịnh Vượng (VPBank), nổi bật với thương hiệu FE Credit Trước đó, vào năm 2011, FE Credit đã hoạt động như một Khối Tín dụng tiêu dùng thuộc ngân hàng này.

Vào tháng 10/2021, VPBank đã công bố hoàn tất việc bán 49% vốn điều lệ của FE CREDIT cho Công ty Tài chính Tiêu dùng SMBC (SMBCCF), một công ty con thuộc tập đoàn Sumitomo Mitsui Financial Group của Nhật Bản, với định giá FE Credit đạt 2,8 tỷ USD Tập đoàn SMBC là một trong những tập đoàn tài chính ngân hàng lớn nhất Nhật Bản, hoạt động tại hơn 40 quốc gia và sở hữu hơn 900 chi nhánh trên toàn quốc.

Công ty đã được đổi tên thành Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC sau thương vụ mua bán này.

- Vốn điều lệ Công ty: Tính đến ngày 31/12/2021, công ty có vốn điều lệ là

10.928 tỷ đồng (vào thời điểm 31/12/2020, vốn điều lệ của công ty là 7.328 tỷ đồng)

- Ngành nghề kinh doanh chính của gồm:

Huy động vốn là quá trình phát hành kỳ phiếu, trái phiếu, chứng chỉ tiền gửi và các giấy tờ có giá khác nhằm thu hút vốn từ các tổ chức trong và ngoài nước theo quy định pháp luật hiện hành Ngoài ra, việc vay vốn từ các tổ chức tài chính và tín dụng cũng là một phương thức quan trọng để tăng cường nguồn lực tài chính.

Hoạt động tín dụng bao gồm việc cấp tín dụng thông qua nhiều hình thức cho vay như cho vay trả góp, cho vay tiêu dùng, chiết khấu và tái chiết khấu các công cụ chuyển nhượng cùng với các giấy tờ có giá khác, cũng như phát hành thẻ tín dụng.

+ Hoạt động đại lý bảo hiểm

+ Cung ứng dịch vụ tư vấn trong lĩnh vực ngân hàng, tài chính, đầu tư.

- Trụ sở chính của Công ty: Tầng 2, tòa nhà Ree Tower, số 9 Đoàn Văn Bơ,

Phường 13, Quận 4, TP Hồ Chí Minh

1.2.2 Kết quả hoạt động kinh doanh

Sau 11 năm hoạt động, với mục tiêu hiện thực hóa hàng triệu ước mơ, trong nhiều năm liền FE Credit đã dẫn đầu về thị phần tín dụng tiêu dùng tại Việt Nam với mạng lưới trải dài trên toàn quốc tại hơn 21.000 điểm bán hàng cùng hơn 16.0 nhân viên Theo số liệu báo cáo của FE Credit, công ty đã phục vụ hơn 12 triệu người dân Việt Nam qua đó giải quyết được nhu cầu về tài chính cũng như giải quyết khó khăn tài chính, FE Credit đã góp phần đẩy lùi tín dụng đen, nâng cao mức sống của người dân lao động và thúc đẩy kinh tế tiêu dùng Tính đến ngày 31/12/2021, công ty đã có hơn 15.000 nhân viên (thời điểm 31/12/2020, Công ty có hơn 11.500 nhân viên).

Trong giai đoạn 2018-2021, FE Credit đã ghi nhận những thống kê đáng chú ý về tổng dư nợ, tỷ lệ nợ xấu và quỹ dự phòng nợ xấu khi so sánh với các công ty khác trên thị trường tín dụng tiêu dùng Các số liệu này cho thấy vị thế cạnh tranh của FE Credit trong ngành, đồng thời phản ánh khả năng quản lý rủi ro và hiệu quả hoạt động tài chính của công ty.

+ Số liệu tổng dư nợ tín dụng của các công ty từ 2018 đến 2021:

Bảng 1.1: Tổng dư nợ của một số công ty tài chính tiêu dùng giai đoạn 2018-2021 Đơn vị tính: Tỷ đồng

Nguồn: FiinRearch, Euromonitor International, trích báo cáo năm của FE Credit

Biểu đồ 1.1: Tổng dư nợ của các công ty tài chính tiêu dùng tại Việt Nam giai đoạn 2018-2021

Trong nhiều năm qua, FE Credit đã giữ vững vị thế dẫn đầu trong thị trường tài chính tiêu dùng tại Việt Nam với tổng dư nợ tín dụng vượt trội, tạo ra khoảng cách đáng kể so với các công ty khác Năm 2021, tổng dư nợ của FE Credit tiếp tục khẳng định sự ưu thế này.

FE Credit là hơn 75 nghìn tỷ đồng gấp gần 3,5 lần so với tổng dư nợ của công ty Home Credit, gần 5 lần tổng dư nợ của công ty MCredit).

+ Số liệu về tỷ lệ nợ xấu của các công ty từ 2018 đến 2021:

Bảng 1.2: Tỷ lệ nợ xấu của một số công ty tài chính tiêu dùng giai đoạn 2018-2021 Đơn vị tính: %

Nguồn: FiinRearch, Euromonitor International, trích báo cáo năm của FE Credit

HD Mcredit Shinhan Mirae JACCS

Biểu đồ 1.2: Tỷ lệ nợ xấu của một số công ty tài chính tiêu dùng tại Việt Nam giai đoạn 2018-2021

Năm 2021, FE Credit ghi nhận tỷ lệ nợ xấu tăng lên 13,5%, gấp hơn 2 lần so với mức 6% của năm 2020, mặc dù tổng dư nợ vẫn lớn nhất trong các công ty tài chính tiêu dùng tại Việt Nam Tình hình nợ xấu cao đặt ra yêu cầu cấp thiết cho công ty trong việc nâng cao hiệu quả thu hồi nợ và cải thiện hoạt động chấm điểm tín dụng để giảm tỷ lệ nợ xấu trong tương lai Đồng thời, năm 2021 cũng chứng kiến sự gia tăng tỷ lệ nợ xấu ở tất cả các công ty tài chính tiêu dùng tại Việt Nam, một phần do tác động phức tạp của dịch bệnh Covid-19, điều này cần được nghiên cứu để hiểu rõ hơn về khả năng trả nợ của khách hàng.

+ Số liệu về khoản dự phòng nợ xấu của các công ty từ 2018 đến 2021:

Bảng 1.3: Dự phòng nợ xấu của một số công ty tài chính tiêu dùng giai đoạn 2018-2021 Đơn vị tính: Tỷ đồng

FE Home HD Mcredit Shinhan Mirae JACCS Credit Credit Saison

Nguồn: FiinRearch, Euromonitor International, trích báo cáo năm của FE Credit

Biểu đồ 1.3: Dự phòng nợ xấu của một số công ty tài chính tiêu dùng tại Việt Nam giai đoạn 2018-2021

Theo quy định của Ngân hàng Nhà nước, mỗi ngân hàng và tổ chức tín dụng đều phải có khoản dự phòng nợ xấu, đây là một yêu cầu bắt buộc nhằm đảm bảo an toàn tài chính và quản lý rủi ro hiệu quả.

Theo Điều 3 Thông tư 11/2021/TT-NHNN ngày 30/7/2021, "Dự phòng rủi ro là số tiền được trích lập và hạch toán vào chi phí hoạt động để dự phòng cho những rủi ro có thể xảy ra đối với nợ của tổ chức tín dụng, chi nhánh ngân hàng nước ngoài." Do đó, khoản dự phòng nợ xấu này có thể được xác định dựa trên tỷ lệ nợ xấu của các công ty Từ dữ liệu cho thấy, kể từ năm 2020, tỷ lệ nợ xấu đã tăng lên do ảnh hưởng của dịch bệnh Covid-19 đối với thị trường tài chính tiêu dùng.

HD Mcredit Shinhan Mirae JACCS Saison

Tình hình tài sản trong ngành tài chính đang tăng cao, và FE Credit cũng không nằm ngoài xu hướng này Tỷ lệ nợ xấu gia tăng phản ánh tác động nghiêm trọng của dịch bệnh Covid-19 đến đời sống người dân, khi nền kinh tế Việt Nam gần như bị tê liệt, dẫn đến việc người lao động mất việc làm và thu nhập, làm giảm khả năng trả nợ của khách hàng tín dụng tiêu dùng Dù vậy, với việc trích lập quỹ dự phòng rủi ro hợp lý, FE Credit vẫn duy trì hoạt động kinh doanh ổn định và có nhiều tín hiệu tích cực trong tương lai gần.

1.2.3 Giới thiệu về hoạt động tín dụng cá nhân của FE Credit hiện tại

Theo Quyết định đã được Hội đồng quản lý rủi ro và xử lý nợ phê duyệt, quy trình cấp hạn mức tín dụng cho các sản phẩm tín dụng của FE Credit bao gồm các bước thực hiện cụ thể.

Bước 1: Khai báo thông tin Tại bước này khách hàng khai báo các thông tin theo yêu cầu để được xem xét, cấp hạn mức tín dụng.

Bước 2: Kiểm tra thông tin CIC

Dựa trên thông tin thu thập được từ bước 1, FE Credit tiến hành kiểm tra lịch sử tín dụng của khách hàng tại CIC, tổ chức thuộc Ngân hàng Nhà nước Việt Nam Tại đây, thông tin tín dụng của các cá nhân và tổ chức có hoạt động tín dụng được cập nhật và phân loại nợ xấu CIC thống kê và phân nhóm các khoản nợ, giúp các tổ chức tín dụng đánh giá lịch sử tín dụng của từng khách hàng, từ đó đưa ra quyết định về việc cho vay hay không.

Các nhóm được CIC phân loại gồm:

- Nhóm 1: Dư nợ đủ tiêu chuẩn (nợ dưới 10 ngày, đây là các khoản nợ có đủ khả năng thu hồi đầy đủ cả gốc và lãi đúng thời hạn).

- Nhóm 2: Dư nợ cần chú ý (là các khoản nợ quá hạn từ 10 đến dưới 90 ngày).

- Nhóm 3: Dư nợ dưới tiêu chuẩn (là các khoản nợ quá hạn từ 90 đến 180 ngày)

- Nhóm 4: Dư nợ có nghi ngờ (là các khoản nợ quá hạn từ 181 đến 360 ngày)

- Nhóm 5: Dư nợ có khả năng mất vốn (là các khoản nợ quá hạn trên 360 ngày)

Các sản phẩm tín dụng của FE Credit có yêu cầu tối thiểu khác nhau đối với khách hàng Cụ thể, FE Credit yêu cầu khách hàng không nằm trong 5 nhóm nợ xấu hoặc không có thông tin CIC (chưa từng vay).

FE Credit sẽ chấp nhận mức CIC ở nhóm 1, 2)

Bước 3: Kiểm tra thông tin cơ sở (quy định kiểm soát rủi ro của FE Credit)

CƠ SỞ LÝ LUẬN

Tổng quan về tín dụng

Theo PGS TS Phan Thị Cúc (2012, tr 108), tín dụng được định nghĩa là mối quan hệ vay mượn, trong đó người vay cam kết hoàn trả cả vốn lẫn lãi cho người cho vay sau thời gian đã thỏa thuận.

Trong quan hệ tín dụng, người cho vay cấp quyền sử dụng vốn cho người đi vay trong một khoảng thời gian xác định Người đi vay cam kết hoàn trả số vốn cùng với lợi tức đã thỏa thuận khi đến hạn.

2.1.2 Chức năng của tín dụng

Tham khảo nội dung của PGS TS Phan Thị Cúc (2012, tr 110-111), thì tín dụng có 02 chức năng đó là:

Tín dụng đóng vai trò quan trọng trong việc huy động và chuyển giao vốn từ các nhà đầu tư đến những nơi có nhu cầu, đồng thời bảo toàn nguồn vốn và tạo ra giá trị gia tăng Nó hoạt động như cầu nối giữa nguồn cung và cầu về vốn trên thị trường, giúp điều hòa tài sản từ nơi thừa sang nơi cần thiết và đảm bảo bên cho vay nhận được một phần lãi theo thỏa thuận.

Thứ hai của tín dụng là kiểm tra và giám sát các hoạt động kinh tế, xã hội thông qua tiền Các tổ chức tín dụng cần theo dõi cách khách hàng sử dụng số tiền vay để đảm bảo khả năng trả nợ và kịp thời ngăn chặn rủi ro trong quan hệ vay mượn.

Ngoài 02 chức năng nêu trên, tín dụng còn có chức năng tiết kiệm tiền mặt hay nói cách khách thông qua hoạt động tín dụng sẽ giúp đẩy mạnh hoạt động giao dịch không dùng tiền mặt Như vậy, thông qua các nội dung về chức năng của tín dụng nêu trên có thể thấy thông qua các hoạt động tín dụng sẽ giúp Nhà nước phân phối lại nguồn vốn, chuyển nguồn vốn từ nơi thừa đến nơi thiếu nhằm đem lại hiệu quả tốt nhất cho hoạt động phát triển kinh tế, xã hội Bên cạnh đó, thông qua hoạt động tín dụng Nhà nước có thể đưa ra các chính sách quản lý phù hợp để có thể kiểm tra, giám sát, điều tiết một cách linh hoạt đối với các hoạt động kinh tế, xã hội Ví dụ: Khi mong muốn người dân nghèo có thể tiếp cận nguồn vốn để phát triển kinh doanh thì Nhà nước có thể đưa ra quy định riêng đối với những đối tượng này như mức lãi suất thấp, thời gian trả nợ dài để những người dân nghèo có thể tiếp cận nguồn vốn dễ dàng hơn, có điều kiện để sản xuất, nâng cao đời sống hơn nữa.

2.1.3 Vai trò của tín dụng

Trích PGS TS Phan Thị Cúc (2012, tr 111-114), tín dụng có 06 vai trò:

Tín dụng đóng vai trò quan trọng trong việc duy trì hoạt động sản xuất kinh doanh liên tục bằng cách huy động vốn từ những nơi thừa để hỗ trợ các khách hàng thiếu vốn Như một trung gian, tín dụng cân đối nguồn tiền trong xã hội, tạo đòn bẩy cho các doanh nghiệp đáp ứng nhu cầu về vốn, từ đó đảm bảo quá trình sản xuất kinh doanh không bị gián đoạn.

Tín dụng đóng vai trò quan trọng trong việc tích tụ và tập trung vốn, từ đó thúc đẩy sự phát triển của sản xuất kinh doanh Trong xã hội, nguồn vốn thường tồn tại riêng lẻ ở từng cá nhân và tổ chức, nhưng không phát sinh quan hệ tín dụng do rủi ro Các tổ chức tín dụng giúp đảm bảo an toàn cho những cá nhân và tổ chức cần vay vốn Nhờ vào việc tập trung vốn tại các tổ chức này, doanh nghiệp có thể dễ dàng tiếp cận nguồn vốn, thay vì phải tìm kiếm từng cá nhân hay tổ chức riêng lẻ, qua đó tạo cơ hội phát triển nhanh chóng trong hoạt động sản xuất kinh doanh.

Tín dụng đóng vai trò quan trọng trong việc điều chỉnh, ổn định và thúc đẩy tăng trưởng kinh tế Qua việc thực hiện các chính sách tiền tệ phù hợp, Nhà nước có thể ổn định nền kinh tế theo từng giai đoạn Chẳng hạn, trong bối cảnh nền kinh tế phát triển chậm, việc nới lỏng hoạt động tín dụng sẽ giúp tạo điều kiện thuận lợi cho sự phát triển kinh tế, từ đó đảm bảo đạt được mục tiêu tăng trưởng.

Tín dụng đóng vai trò quan trọng trong việc nâng cao đời sống nhân dân và hỗ trợ Nhà nước thực hiện các chính sách xã hội Nó hoạt động như một đòn bẩy phát triển kinh tế, giúp những đối tượng ưu tiên có cơ hội tiếp cận nguồn vốn để phát triển Chính sách tín dụng được điều chỉnh phù hợp với từng nhóm đối tượng, từ đó tạo điều kiện thuận lợi cho sự phát triển kinh tế bền vững.

Tín dụng đóng vai trò quan trọng trong việc Nhà nước quản lý kinh tế xã hội, giúp cân đối thu chi ngân sách và đảm bảo nguồn lực tài chính Qua đó, tín dụng cũng hỗ trợ yêu cầu quản lý của Nhà nước, góp phần duy trì sự ổn định của thị trường và giá cả.

Tín dụng đóng vai trò quan trọng trong việc mở rộng quan hệ hợp tác quốc tế, đặc biệt trong bối cảnh hội nhập kinh tế toàn cầu hiện nay Qua các hoạt động tín dụng, các quốc gia và tổ chức quốc tế có thể thể hiện mức độ hỗ trợ và hợp tác lẫn nhau Những ưu đãi và hỗ trợ tín dụng, cùng với các cam kết đi kèm, sẽ góp phần thúc đẩy sự phát triển của mối quan hệ hợp tác quốc tế.

Hoạt động tín dụng đóng vai trò quan trọng trong sự phát triển kinh tế và xã hội, giúp cân bằng nguồn vốn và tối ưu hóa việc sử dụng tài chính Qua đó, cơ quan quản lý nhà nước có thể giám sát mục đích và xu hướng sử dụng nguồn tiền, từ đó đưa ra các quy định và điều chỉnh phù hợp nhằm đảm bảo an toàn cho thị trường trong từng giai đoạn.

2.1.4 Các hình thức tín dụng

Theo PGS TS Phan Thị Cúc (2012, tr 114-130); căn cứ vào đối tượng và chủ thể tín dụng thì tín dụng có các hình thức như sau:

Tín dụng thương mại là hình thức tín dụng thông qua mua bán chịu hàng hóa, trong đó các bên thỏa thuận về việc bán chịu và mua bán trả chậm Khi đến thời hạn đã được thống nhất, bên vay sẽ hoàn trả cả vốn gốc và lãi cho doanh nghiệp Các công cụ chính của tín dụng thương mại bao gồm thương phiếu, hối phiếu và lệnh phiếu.

Tín dụng ngân hàng là hình thức huy động vốn từ cá nhân và tổ chức, sau đó cho vay lại cho những người có nhu cầu Các loại hình vay tín dụng ngân hàng bao gồm cho vay thương mại, cho vay tiêu dùng, cho vay thế chấp và đầu tư chứng khoán như mua trái phiếu và tín phiếu.

Hình thức tín dụng cho thuê tài chính cho phép các công ty tài chính mua sắm tài sản và cho các cá nhân hoặc tổ chức sản xuất kinh doanh thuê lại Có hai loại hình thuê mua chính: thuê vận hành, thường là hình thức ngắn hạn, và thuê tài chính, phù hợp với nhu cầu thuê tài sản trung và dài hạn.

Tổng quan về xếp hạng tín dụng

2.2.1 Khái niệm về xếp hạng tín dụng

Theo nghiên cứu của Lê Văn Triết (2010), xác định tín dụng (XHTD) là quá trình đánh giá mức độ tín nhiệm của người vay, dựa trên các yếu tố như khả năng thực hiện cam kết tài chính, nguy cơ vỡ nợ khi điều kiện kinh doanh thay đổi, cùng với ý thức và thiện chí trả nợ của người vay.

Theo từ điển tiếng Việt thì xếp hạng là xếp vào thứ hạng nào đó trong hệ thống phân loại, đánh giá (theo Hoàng Phê, 2019)

XHTD là quá trình mà người cho vay, bao gồm cả tổ chức và cá nhân, thiết lập các tiêu chí và bảng điểm để phân loại và đánh giá khả năng trả nợ của người vay Qua đó, người cho vay có thể quyết định hình thành mối quan hệ vay mượn và xác định mức lãi suất cũng như thời hạn cam kết vay dựa trên xếp hạng tín dụng của người vay.

Nghiên cứu của Nguyễn Văn Hùng (2012) tại Đại học Virginia nhấn mạnh rằng mỗi tổ chức cần xác định các rủi ro có thể ảnh hưởng đến hoạt động xếp hạng tín dụng dựa trên tình hình thực tế của công ty Lãnh đạo cần đánh giá mức độ ảnh hưởng của các rủi ro này để quyết định cách thức xếp hạng tín dụng phù hợp Đặc biệt, trong bối cảnh dịch bệnh Covid-19 hiện nay, tác giả cho rằng cần xem xét các yếu tố tác động đến mô hình chấm điểm tín dụng hiện tại để đưa ra quan điểm chính xác hơn.

FE Credit đã lựa chọn phương pháp nghiên cứu phù hợp để đánh giá mức độ ảnh hưởng của các yếu tố liên quan, từ đó rút ra kết luận cuối cùng cho nghiên cứu.

2.2.2 Đối tượng, nguyên tắc xếp hạng tín dụng

Đối tượng chính của XHTD là các tổ chức và cá nhân có nhu cầu vay tín dụng Để đạt được kỳ vọng của bên cho vay, nguyên tắc quan trọng nhất trong XHTD là thu thập thông tin một cách toàn diện, trung thực và khách quan.

Nguyên tắc thứ hai trong việc xếp hạng tín dụng tại FE Credit là tập trung vào phân tích mức độ rủi ro và tín nhiệm dựa trên thông tin khách hàng như tuổi, giới tính, trình độ, thu nhập và tài sản Việc đánh giá mức độ thiện chí trả nợ của người vay, thông qua lịch sử tín dụng và tài sản đảm bảo, sẽ giúp xác định mức độ rủi ro

2.2.3 Quy trình, phương pháp xếp hạng tín dụng

2.2.3.1 Quy trình xếp hạng tín dụng

Quy trình XHTD, theo định nghĩa, là trình tự mà các tổ chức tín dụng phải tuân theo để thực hiện công việc, nhằm đảm bảo hiệu quả tín dụng cao nhất Mỗi tổ chức tín dụng sẽ xây dựng quy trình XHTD riêng dựa trên căn cứ và cơ sở của mình, không có quy định bắt buộc về trình tự cụ thể Các bước trong quy trình này được sắp xếp hợp lý từ khi bắt đầu đến khi ra mức xếp hạng, phản ánh mức độ chuyên nghiệp của tổ chức và cung cấp tài liệu cho nhân viên cũng như khách hàng trong quá trình thực hiện Việc thiết kế quy trình XHTD gần như là yêu cầu bắt buộc cho các ngân hàng và tổ chức tín dụng.

Tham khảo một số tài liệu nghiên cứu có thể tóm tắt lại quy trình XHTD sẽ gồm các bước cơ bản sau:

- Bước 1: Thu thập thông tin

Khi khách hàng có nhu cầu vay tín dụng, họ cần cung cấp các thông tin cần thiết như hình ảnh chứng minh, hộ khẩu, giấy phép kinh doanh và sao kê thu nhập Một số thông tin sẽ được xác thực để đảm bảo tính chính xác Các tổ chức tín dụng sẽ tổng hợp những thông tin này để tiến hành bước tiếp theo trong quy trình vay.

- Bước 2: Thẩm định, đánh giá tính chính xác của những thông tin.

Bước này nhằm đối chiếu thông tin khách hàng cung cấp với cơ sở dữ liệu hiện có và dữ liệu từ các nguồn khác để đánh giá độ chính xác Nếu thông tin không đầy đủ hoặc không đáp ứng yêu cầu, có thể từ chối cung cấp dịch vụ tín dụng.

- Bước 3: Phân tích, xử lý thông tin

Sau khi xác minh tính chính xác của thông tin, quá trình phân tích và xử lý thông tin sẽ được thực hiện Ở bước 3, dựa trên các nguyên tắc chấm điểm tín dụng của từng tổ chức tín dụng, thông tin tín dụng của khách hàng sẽ được xử lý để đánh giá mức độ rủi ro của họ.

- Bước 4: Kết luận, phản hồi thông tin

Dựa trên số điểm tín dụng và các tiêu chí đánh giá mức rủi ro tín dụng, các tổ chức tín dụng sẽ thông báo kết quả yêu cầu tín dụng của khách hàng, có thể bao gồm nhiều nội dung khác nhau.

- Từ chối cấp hạn mức tín dụng do điểm rủi ro tín dụng thấp không đủ điều kiện để cho vay

- Cho vay nhưng hạn mức thấp hơn mong muốn của khách hàng do điểm tín dụng không đáp ứng được yêu cầu.

Cho vay theo yêu cầu của khách hàng là khả thi khi điểm tín dụng của họ đáp ứng đầy đủ các tiêu chí cần thiết, đồng thời mức rủi ro tín dụng rất thấp.

2.2.3.2 Phương pháp xếp hạng tín dụng Đa số việc XHTD được thực hiện bằng phương pháp định lượng, phân tích toán học bằng cách nghiên cứu, thảo luận, khảo sát để đưa ra các tiêu chí có khả năng ảnh hưởng đến khả năng trả nợ của khách hàng từ đó phân tích đánh giá kết quả và đưa ra một số tiêu chí cụ thể vào trong mô hình XHTD của mỗi khách hàng. Trên cơ sở mô hình XHTD chính thức và các thông tin của khách hàng sẽ đưa ra mức XHTD theo mong muốn của ngân hàng hay tổ chức tín dụng nào đó.

Tại FE Credit, quy trình xếp hạng tín dụng được thực hiện dựa trên các tiêu chí ảnh hưởng đến khả năng trả nợ của khách hàng, với mô hình tính điểm tín dụng cụ thể Khác với các ngân hàng truyền thống, FE Credit tập trung vào lịch sử và hành vi tín dụng của khách hàng hơn là tài sản thế chấp hay thu nhập Điều này giúp khách hàng dễ dàng và nhanh chóng tiếp cận các khoản vay Tuy nhiên, nếu khách hàng có lịch sử trả nợ không tốt, họ sẽ bị từ chối vay ngay lập tức mà không cần xem xét thêm các yếu tố khác.

Chương 2 đã nêu ra một số cơ sở lý luận cơ bản về tín dụng, xếp hạng tín dụng, các yếu tố ảnh hưởng đến việc xếp hạng tín dụng Thông qua chương 2, tác giả sẽ có những hiểu biết tổng quát về tín dụng, xếp hạng tín dụng để áp dụng vào quá trình nghiên cứu đề tài ở các chương tiếp theo.

PHƯƠNG PHÁP NGHIÊN CỨU

Quy trình nghiên cứu

Quy trình thực hiện nghiên cứu này được tóm tắt gồm các bước như sau:

Bước 1: Xác định tính cấp thiết của vấn đề từ đó xác định mục đích, mục tiêu của nghiên cứu.

Bước 2: Dựa trên các tài liệu tham khảo và nghiên cứu, cần đưa ra những cơ sở lý luận vững chắc về tín dụng và xếp hạng tín dụng, đồng thời phân tích các yếu tố ảnh hưởng đến quá trình xếp hạng tín dụng.

Bước 3: Xác định phương pháp nghiên cứu, cách thức thu thập số liệu

Bước 4: Thu thập dữ liệu từ khách hàng đang vay tại FE Credit và các báo cáo liên quan đến tình hình dịch bệnh Covid-19 Đồng thời, tiến hành thảo luận với nhân viên làm công tác rủi ro tại FE Credit để đưa ra nhận định về các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng tín dụng hiện tại.

Bước 5: Tiến hành thống kê mô tả số liệu để có cái nhìn tổng quát về các đặc điểm của dữ liệu Kiểm tra mức độ tương quan giữa các biến để xác định mối liên hệ và từ đó đề xuất giải pháp phù hợp.

Bước 6: Tiến hành ước lượng, kiểm định mô hình thông qua mô hình hồi quy

Phân tích hồi quy logistic nhị phân bằng phần mềm SPSS giúp kiểm tra tính phù hợp của mô hình, đánh giá mức độ ý nghĩa của các biến độc lập và xác định khả năng dự đoán của các mô hình.

Bước 7: Đánh giá kết quả kiểm định mô hình và đưa ra nhận xét về hiệu quả của nó; đồng thời, đề xuất các yếu tố cần thiết để cải thiện mô hình chấm điểm tín dụng của FE Credit trong bối cảnh dịch bệnh Covid-19 hiện nay.

Bước 8: Thảo luận và kết luận

Xây dựng mô hình nghiên cứu

3.2.1 Cơ sở lựa chọn mô hình nghiên cứu

FE Credit đang hướng tới việc hoàn thiện mô hình chấm điểm tín dụng cá nhân nhằm cải thiện khả năng dự đoán khả năng trả nợ của khách hàng Mục tiêu là giảm tỷ lệ nợ xấu xuống mức quy định của NHNN, đồng thời đạt được kết quả kinh doanh theo kế hoạch Mô hình này cần đảm bảo tính hiệu quả và chính xác trong việc đưa ra quyết định tín dụng, đồng thời phải đơn giản và dễ dàng thu thập dữ liệu trong thực tế hiện nay.

Dựa trên các nghiên cứu trước đây, tác giả nhận thấy rằng hầu hết đều sử dụng phương pháp kiểm định dữ liệu qua mô hình hồi quy Binary Logistic để đánh giá độ phù hợp và ý nghĩa của các biến độc lập Nghiên cứu này cũng áp dụng phương pháp tương tự, tập trung vào việc phân tích tác động của dịch bệnh Covid-19 đến hoạt động kinh tế-xã hội và tín dụng tiêu dùng Từ đó, tác giả đề xuất một mô hình chấm điểm tín dụng phù hợp với tình hình hiện tại.

Nghiên cứu này tập trung vào việc phân tích và đánh giá các mô hình hồi quy nhằm nhận định về mức độ phù hợp, mối tương quan và khả năng dự báo của chúng.

- Mô hình 1: Gồm 01 biến phụ thuộc và 10 biến độc lập.

- Mô hình 2: Gồm 01 biến phụ thuộc và 16 biến độc lập.

Nếu xuất hiện biến không có ý nghĩa thì sẽ thực hiện loại biến đó và phân tích mô hình hồi quy mới từ đó đưa ra kết luận.

Mô hình Binary Logistic, theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), là một loại hồi quy với biến phụ thuộc là biến nhị phân, chỉ có hai giá trị 0 và 1 Mô hình này được sử dụng để dự đoán xác suất khách hàng có khả năng trả nợ hay không, dựa trên thông tin từ các biến độc lập được đưa vào.

- Xác suất khách hàng có khả năng trả nợ được ký hiệu là P

Tỷ lệ so sánh giữa hai xác suất, hay còn gọi là Odds (ký hiệu là O), được xác định bằng cách so sánh xác suất khách hàng có khả năng trả nợ (P) với xác suất khách hàng không có khả năng trả nợ (1-P).

(O sẽ không xác định khi P=1)

Như vậy, xác suất P là một hàm theo O và được xác định như sau:

Lấy Log cơ số 2 của Odds ta có dạng hàm mô hình hồi quy Logit như sau:

+ 𝑋 𝑖 (𝑖 = ̅1̅,̅̅𝑘̅̅) : Là các biến độc lập

+ 𝛽 0 : Hằng số hồi quy

3.2.2 Lựa chọn mẫu nghiên cứu

Nghiên cứu này nhằm đánh giá mô hình chấm điểm tín dụng hiện tại của FE Credit và đề xuất một mô hình phù hợp hơn trong bối cảnh dịch bệnh Covid-19.

Tại Việt Nam, tính đến thời điểm hiện tại, cần thu thập dữ liệu đầy đủ về các khách hàng có khoản vay tiêu dùng tại FE Credit trong khoảng thời gian từ tháng 12/2018 đến tháng 12/2021.

Nghiên cứu xác định số mẫu quan sát dựa trên phương pháp thu thập dữ liệu và nghiên cứu đã chọn, sử dụng SPSS để loại bỏ các mẫu không phù hợp Phương pháp thống kê mô tả được áp dụng để đánh giá tổng quát thông tin đặc trưng của các mẫu quan sát Dựa trên tác động của dịch bệnh Covid-19 đến kinh tế-xã hội và khách hàng mục tiêu của FE Credit, nghiên cứu đề xuất một mô hình mới, bổ sung và thay thế một số biến trong mô hình chấm điểm hiện tại Cuối cùng, mô hình hồi quy được sử dụng để so sánh sự phù hợp của các mô hình, phân tích ý nghĩa của các hệ số và kiểm định độ phù hợp tổng quát, từ đó đưa ra đánh giá về kết quả nghiên cứu.

Theo PGS.TS Đinh Phi Hổ (2021, tr.277), mô hình hồi quy Binary Logistic là một dạng hồi quy sử dụng dữ liệu chéo Green (1991) chỉ ra rằng, đối với mô hình hồi quy này, kích thước mẫu tối thiểu cần thiết là n ≥ 50 + kP.

P: Số biến độc lập; nghiên cứu này có số biến độc lập là P= 16 k: 5 hoặc 10, k càng lớn thì sai số của mẫu càng nhỏ do đó nghiên cứu này lựa chọn k = 10.

Theo công thức nêu trên thì cơ mẫu tối thiểu cần có là: n = 50 + 10*16!0 (mẫu).

Dựa trên các nghiên cứu trước đây, nhằm nâng cao độ chính xác trong phân tích mô hình hồi quy và tăng cường tính ứng dụng của nghiên cứu vào thực tiễn, cần cải thiện khả năng thu thập số liệu để đạt được kết quả chính xác hơn.

3.2.4 Các biến của mô hình nghiên cứu

Biến phụ thuộc trong nghiên cứu này được xác định bởi nhiều biến độc lập, với yêu cầu rằng nó phải phân biệt rõ ràng và duy nhất dựa trên các biến độc lập trong mô hình Cụ thể, biến phụ thuộc (Y) được chọn là Y=1 nếu khách hàng có khả năng trả nợ.

Y=0 nếu khách hàng không có khả năng trả nợ

Biến độc lập trong mô hình này bao gồm các yếu tố được FE Credit áp dụng trong hệ thống chấm điểm tín dụng hiện tại Các giả thiết liên quan đến những biến này được xác định rõ ràng để đảm bảo tính chính xác và hiệu quả của mô hình.

Nghiên cứu cho thấy biến độ tuổi của khách hàng (X1) có ảnh hưởng tích cực đến khả năng trả nợ, với giả thiết rằng khách hàng trẻ tuổi có xu hướng trả nợ tốt hơn.

Nghiên cứu về biến giới tính chỉ ra rằng giới tính có ảnh hưởng tích cực đến khả năng trả nợ của khách hàng, với nam giới có xu hướng trả nợ tốt hơn so với nữ giới.

Phân tích dữ liệu

3.3.1 Thống kê mô tả dữ liệu Để đánh giá mô hình chấm điểm tín dụng cá nhân hiện tại của FE Credit, nghiên cứu này sử dụng phương pháp thống kê mô tả dữ liệu để có cái nhìn tổng quan về những thông tin đặc trưng của dữ liệu thông qua các thước đo đánh giá khuynh hướng tập trung (giá trị trung bình) và khuynh hướng phân tán dữ liệu (phương sai, độ lệch chuẩn, khoảng biến thiên) (Theo PGS.TS Đinh Phi Hổ, 2021, tr.146, 151-155).

“Theo Mason (1999), ba đại lượng dùng để đo lường mức độ tập trung: Trung bình, trung vị trong đó:

𝑋: Giá trị trung bình của biến X

Xi: Giá trị thứ i của biến X

N: Số quan sát trong mẫu

Phương sai của mẫu là một chỉ số quan trọng dùng để đo lường sự phân tán của các giá trị trong một mẫu của biến số Nó cho biết mức độ khác biệt của các giá trị so với giá trị trung bình, với ký hiệu thường gặp là 𝜎² Khi phương sai nhỏ, điều này cho thấy rằng mẫu nghiên cứu có sự đồng đều cao và tính đại diện của số bình quân cũng được nâng cao, ngược lại, phương sai lớn cho thấy sự phân tán cao hơn trong dữ liệu.

𝑋: Giá trị trung bình của X

Xi: Giá trị quan sát thứ i

- Độ lệnh chuẩn: Là phương sai với dạng căn bậc hai SD=√𝜎 2

- Giá trị lớn nhất, giá trị nhỏ nhất: Là giá trị lớn nhất, nhỏ nhất tương ứng với mỗi biến độc lập”

Nghiên cứu sẽ đề xuất các biến ảnh hưởng đến hoạt động chấm điểm tín dụng cá nhân và thực hiện phân tích hồi quy theo mô hình Binary Logistic bằng phần mềm SPSS Dựa trên kết quả phân tích hồi quy, nghiên cứu sẽ đánh giá độ phù hợp, mức ý nghĩa và khả năng dự đoán về khả năng trả nợ của khách hàng qua các mô hình, từ đó đưa ra kết luận cho nghiên cứu Các bước phân tích, đánh giá và kiểm định mô hình sẽ được thực hiện một cách hệ thống.

3.3.2.1 Đánh giá hiện tượng đa cộng tuyến

Đa cộng tuyến là hiện tượng khi các biến độc lập có mối tương quan mạnh, gây sai lệch chỉ số trong mô hình hồi quy Điều này dẫn đến kết quả phân tích định lượng trở nên thiếu ý nghĩa Để xác định tình trạng đa cộng tuyến giữa các biến, cần thực hiện các phương pháp kiểm tra phù hợp.

Hệ số phóng đại phương sai (VIF) được sử dụng để xác định mối tương quan giữa các biến độc lập và mức độ tương quan này Giá trị VIF bắt đầu từ 1 và không có giới hạn trên; tuy nhiên, nếu VIF lớn hơn 10, điều này cho thấy có hiện tượng đa cộng tuyến cao.

3.3.2.2 Kiểm định sự phù hợp của mô hình

Nghiên cứu dùng kiểm định Chi bình phương của các mô hình để xác định sự phù hợp của mô hình

+ Nếu sig < 0.05 thì hàm hồi quy phù hợp

+ Nếu sig > 0.05 thì hàm hồi quy không phù hợp

3.3.2.3 Đánh giá mức độ phù hợp của mô hình

Việc đánh giá độ phù hợp của mô hình hồi quy nhị phân được thực hiện thông qua việc so sánh giá trị -2 Log-likelihood (-2LL) giữa các mô hình Nếu mô hình đề xuất có giá trị -2LL thấp hơn mô hình ban đầu, điều này cho thấy mô hình hồi quy đó phù hợp hơn (Hair và cộng sự, 2014) Giá trị -2LL có thể nhỏ nhất là 0 và không có giá trị lớn nhất Bên cạnh đó, hệ số Cox & Snell R Square và hệ số Nagelkerke R Square cũng được so sánh; giá trị càng lớn cho thấy độ phù hợp của mô hình hồi quy nhị phân càng cao.

3.3.2.4 Ý nghĩa thống kê của các biến độc lập

Căn cứ vào chỉ số sig tương ứng với mỗi biến để kiểm định các giả thuyết sau: Với giả thuyết:

+ H0: Hệ số hồi quy của biến đó bằng 0

+ H1: Hệ số hồi quy của biến đó khác 0

Nếu sig < 0.05 thì bác bỏ giả thuyết H0, khi đó biến có ý nghĩa thống kê

Nếu sig > 0.05, giả thuyết H0 được chấp nhận, cho thấy các biến không có ý nghĩa thống kê và sẽ bị loại khỏi mô hình Mô hình sẽ phản ánh khả năng dự đoán chính xác tỷ lệ khách hàng có khả năng trả nợ Những mô hình có độ chính xác dự đoán cao hơn sẽ có khả năng xác định đúng số lượng khách hàng có khả năng trả nợ tốt hơn Kết quả này là cơ sở để tác giả đề xuất các yếu tố cho mô hình chấm điểm tín dụng tại FE Credit.

Trong Chương 3, tác giả trình bày lý luận cơ bản và tham khảo các nghiên cứu liên quan để lựa chọn phương pháp nghiên cứu Đồng thời, tác giả cũng đưa ra các giả thuyết, quy mô mẫu và quy trình thực hiện nghiên cứu Kết quả nghiên cứu sẽ được trình bày chi tiết trong Chương 4.

KẾT QUẢ NGHIÊN CỨU

Kết quả thống kê mô tả dữ liệu thu thập

Nghiên cứu này sử dụng dữ liệu từ 859 mẫu quan sát, bao gồm khách hàng có khoản vay tại FE Credit trong giai đoạn 2019 đến 2021 Sau khi loại bỏ 94 mẫu không đủ dữ liệu, số lượng mẫu quan sát chính thức còn lại là 765.

4.1.2 Thống kê mô tả dữ liệu

Thực hiện tính toán theo các công thức nêu tại mục 3.2.1 thông qua phầm mềm SPSS, kết quả thống kê bảng mô tả dữ liệu như sau:

Bảng 4.1: Kết quả thống kê mô tả của nghiên cứu

Phương sai Độ lệch chuẩn

Dựa trên bảng thống kê mô tả dữ liệu của 765 khách hàng đang sử dụng dịch vụ tín dụng của FE Credit, có thể rút ra một số thông tin cơ bản quan trọng về đối tượng khách hàng này.

Khách hàng của FE Credit có độ tuổi trung bình là 37,97 tuổi, với độ tuổi nhỏ nhất là 23 và lớn nhất là 65 FE Credit cung cấp sản phẩm tín dụng cho khách hàng từ 16 tuổi trở lên, trong đó những người từ 16 đến 18 tuổi cần có sự đồng ý của gia đình hoặc người giám hộ Mặc dù dữ liệu thu thập chưa đầy đủ các độ tuổi theo tiêu chí của FE, nhưng với phân bố độ tuổi hiện có, nghiên cứu nhằm phản ánh mức ảnh hưởng của độ tuổi đến khả năng trả nợ, vì đa số khách hàng của FE Credit thuộc độ tuổi này.

Giá trị khoản vay trung bình của FE là khoảng 19 triệu đồng, với khoản vay nhỏ nhất là 2 triệu và lớn nhất là 70 triệu đồng Các sản phẩm tín dụng của FE có hạn mức tối đa là 70 triệu đồng, do đó, nghiên cứu này sẽ đánh giá ảnh hưởng của giá trị khoản vay, từ 2 triệu đến 70 triệu đồng, đến khả năng trả nợ của khách hàng.

Kết quả giá trị hệ số phóng đại phương sai VIF các mô hình như sau:

Bảng 4.2: Kết quả chỉ số phóng đại phương sai của nghiên cứu

STT Biến Hệ số VIF mô hình 1

Hệ số VIF mô hình 2

Hệ số VIF mô hình 3

Kết quả chỉ số VIF cho thấy tất cả các biến trong mô hình đều có giá trị nhỏ hơn 10, điều này chứng tỏ không có hiện tượng đa cộng tuyến cao Các biến không có mối quan hệ tuyến tính chặt chẽ với nhau, do đó không cần loại bỏ bất kỳ biến nào khỏi mô hình.

STT Biến Giả thiết Mô hình 1 Mô hình 2 Mô hình 3

- Mô hình 1: Đây làm mô hình có các biến độc lập là các tiêu chí chấm điểm tín dụng cá nhân hiện tại của FE Credit.

Kết quả hồi quy cho thấy:

+ Các biến X4 (trình độ học vấn), X5 (chỉ số rủi ro của hợp đồng cùng

DSA_Code trong vòng 24 tháng và X6 (Chỉ số rủi ro của khách hàng cùng công ty

Hệ số hồi quy của các biến trong nghiên cứu cho thấy đa số đều phù hợp với giả thuyết đã đề ra Tuy nhiên, hệ số hồi quy của biến X4 (trình độ học vấn) lại có dấu (-), cho thấy rằng khách hàng có trình độ học vấn cao hơn có khả năng trả nợ thấp hơn so với những khách hàng khác, điều này trái ngược với giả thuyết ban đầu.

- Mô hình 2: Đây là mô hình mà nghiên cứu đề xuất đưa các biến từ X11 đến

X16 vào mô hình với giả định các biến này có ảnh hưởng đến khả năng trả nợ của khách hàng.

Kết quả hồi quy cho thấy:

Các biến X5 (chỉ số rủi ro hợp đồng trong 24 tháng), X6 (chỉ số rủi ro khách hàng trong 24 tháng), X8 (số năm làm việc của khách hàng), X12 (khoản vay được bảo hiểm) và X15 (giá trị khoản vay) không có ý nghĩa thống kê với giá trị sig > 0.05, cho thấy rằng các biến này không có khả năng dự đoán khả năng trả nợ của khách hàng.

Dấu hiệu của hệ số hồi quy cho các biến X5 (chỉ số rủi ro của hợp đồng cùng DSA_Code trong 24 tháng) và X6 (chỉ số rủi ro của khách hàng cùng công ty trong 24 tháng) không phù hợp với giả thiết ban đầu Tuy nhiên, các biến này không có ý nghĩa thống kê, cho thấy chúng không ảnh hưởng đến khả năng trả nợ của khách hàng.

- Mô hình 3: Trên cơ sở kiểm định mô hình 2, nghiên cứu loại các biến X5,

X8, X12, X15 do không có ý nghĩa thống kê.

Kết quả hồi quy cho thấy:

+ Sau khi loại các biến không có ý nghĩa thống kê tại mô hình 2 thì giá trị sig

Tất cả các biến trong mô hình 3 đều có ý nghĩa thống kê với mức ý nghĩa 0.05 Dấu hiệu của hệ số hồi quy cho thấy các biến độc lập ảnh hưởng đến khả năng trả nợ của khách hàng, phù hợp với giả thuyết đã được đưa ra.

Bảng 4.4: Kết quả chỉ số chi bình phương và Sig của mô hình 1

Omnibus Tests of Model Coefficients

Bảng 4.5: Kết quả chỉ số chi bình phương và Sig của mô hình 2

Omnibus Tests of Model Coefficients

Bảng 4.6: Kết quả chỉ số chi bình phương và Sig của mô hình 3

Omnibus Tests of Model Coefficients

Cả ba mô hình đều cho thấy chỉ số sig kiểm định Chi-square tại hàng Model có giá trị 0.000, nhỏ hơn 0.05, cho thấy rằng mô hình hồi quy ở cả ba trường hợp đều phù hợp.

(-2LL) Cox & Snell R Square Nagelkerke R Square

3 393.357 a 392 616 a Estimation terminated at iteration number 5 because parameter estimates changed by less than 001.

Khi so sánh các giá trị -2LL của ba mô hình, mô hình 1 có chỉ số -2LL cao nhất, cho thấy mức độ phù hợp thấp nhất Tiếp theo là mô hình 3, trong khi mô hình 2 có chỉ số -2LL thấp nhất, chứng tỏ đây là mô hình có mức độ phù hợp cao nhất.

Nghiên cứu so sánh mức độ phù hợp của các mô hình thông qua chỉ số Cox & Snell R Square và Nagelkerke R Square, cho thấy chỉ số càng cao thì mức độ phù hợp càng tốt Kết quả cho thấy mô hình 2 là phù hợp nhất, trong khi mô hình 3 có mức độ phù hợp thấp nhất Tuy nhiên, giá trị của ba chỉ số ở mô hình 2 và 3 lại tương đương nhau, cho thấy mức độ phù hợp của hai mô hình này là tương đương.

4.2.5 Mức độ dự báo của các mô hình

Dựa trên đánh giá các giá trị đã nêu, có thể kết luận rằng các mô hình không gặp phải hiện tượng đa cộng tuyến và các biến đều có tác động hợp lý lên biến phụ thuộc, đồng thời mô hình cũng có ý nghĩa thống kê Để xác định mức độ phù hợp của mô hình, nghiên cứu sẽ so sánh khả năng dự báo của các mô hình, từ đó đưa ra kết luận về mô hình chấm điểm tín dụng cá nhân thích hợp trong bối cảnh hiện nay.

Correct không có khả năng có khả nang trả

Step 1 Y không có khả năng 54 102 34.6 có khả nang trả 29 580 95.2

Overall Percentage 82.9 a The cut value is 500

Bảng 4.9: Kết quả đánh giá mức độ dự báo mô hình 2

Correct không có khả năng có khả nang trả

Step 1 Y không có khả năng 100 56 64.1 có khả nang trả 27 582 95.6

Overall Percentage 89.2 a The cut value is 500

Percentage Correct không có khả năng có khả nang trả

Step 1 Y không có khả năng 98 58 62.8 có khả nang trả 26 583 95.7

Overall Percentage 89.0 a The cut value is 500

Qua kết quả kiểm định mức độ dự báo chính xác của 03 mô hình ta thấy trong

Trong số 156 khách hàng không có khả năng trả nợ, mô hình 1 dự đoán chính xác 54 khách (tỷ lệ 34,6%), trong khi mô hình 2 đạt 100 khách (tỷ lệ 64,1%) và mô hình 3 dự đoán 98 khách (tỷ lệ 62,8%) Đối với nhóm khách hàng có khả năng trả nợ, trong tổng số 609 khách hàng, mô hình 1 cũng cho kết quả dự báo chính xác.

580 khách hàng (đạt tỷ lệ 95,2 %) và kết quả tương ứng với mô hình 2 là 582 khách hàng (đạt tỷ lệ 95,6 %) và mô hình 3 là 583 khách hàng (đạt tỷ lệ 95,7 %).

Kết quả dự báo khả năng trả nợ của khách hàng cho thấy các mô hình 1, 2 và 3 đều phù hợp Tuy nhiên, mô hình 1 (mô hình ban đầu) có tỷ lệ dự báo trung bình thấp nhất, đạt 82.9% Trong khi đó, mô hình 2 và 3 có mức dự báo trung bình chính xác lần lượt là 89.2% và 89%.

Đề xuất mô hình

Mô hình 2 cho thấy khả năng dự đoán chính xác khả năng trả nợ của khách hàng cao hơn 0.2% so với mô hình 1, với độ chính xác đạt 89% Mô hình 3, với số biến ít hơn, giúp việc thu thập thông tin khách hàng trở nên dễ dàng hơn, tiết kiệm chi phí và thời gian cho cả công ty và khách hàng Nhân viên tín dụng của FE Credit có thể kiểm chứng thông tin một cách hiệu quả hơn mà không cần xác minh yếu tố "thời gian làm việc tại công ty hiện tại", điều này làm tăng độ chính xác dự đoán Việc đơn giản hóa quy trình cho khách hàng và giảm thiểu thủ tục phức tạp cũng góp phần nâng cao khả năng cạnh tranh của các tổ chức tín dụng trong lĩnh vực tín dụng cá nhân.

Trong bối cảnh hiện nay của FE Credit, tác giả đề xuất mô hình chấm điểm tín dụng khách hàng với 11 biến quan trọng.

Bảng 4.11: Các biến nghiên cứu đề xuất đưa vào mô hình chấm điểm

STT Tên biến Ký hiệu

5 DPD lớn nhất của những khách hàng liên kết X7 -.026 000

6 Khách hàng liên kết có từng bị từ chối hay không X9 -1.941 000

Hải Phòng, Hải Dương, Vĩnh Phúc X10 -4.307 000

Trong đó: Biến Nơi ở (X11) - Đông Nam Bộ gồm các tỉnh Thành phố Hồ Chí

Minh, Bà Rịa – Vũng Tàu, Bình Dương, Bình Phước, Đồng Nai và Tây Ninh.

Nghiên cứu cho thấy, trước khi dịch Covid-19 bùng phát tại Việt Nam, các yếu tố như chỉ số rủi ro hợp đồng (DSA_Code - X5), chỉ số rủi ro của khách hàng trong 24 tháng (X6) và số năm làm việc tại công ty hiện tại (X8) đều ảnh hưởng đến khả năng trả nợ của khách hàng Tuy nhiên, từ 2019 đến tháng 12 năm 2021, các yếu tố này không còn phản ánh chính xác khả năng trả nợ do tác động của dịch bệnh Cụ thể, trong Quý I/2021 có khoảng 9,1 triệu người và Quý I/2022 có khoảng 16,9 triệu người bị giảm thu nhập, cắt giảm giờ làm hoặc mất việc, dẫn đến sự thay đổi trong các chỉ số tín dụng Ví dụ, khách hàng A, làm việc tại công ty B trong 10 năm, đã phải chuyển sang công ty C do công ty B phá sản Nếu không có dịch Covid-19, thời gian làm việc 10 năm của khách hàng A sẽ giúp nâng cao điểm số tín dụng, nhưng do chỉ có thời gian làm việc tại công ty C khi vay, điểm số tín dụng của khách hàng đã giảm.

Trong mô hình 2, tác giả đã bổ sung các yếu tố như Nơi ở - Đông Nam Bộ (X11), Khoản vay được mua bảo hiểm (X12), Thời hạn vay (X13), Loại sản phẩm vay (X14), Giá trị khoản vay (X15) và Nghề nghiệp (X16) để phân tích cùng với các yếu tố của mô hình 1 Kết quả nghiên cứu cho thấy các yếu tố này, cùng với DSA_Code (X5) và chỉ số rủi ro của khách hàng (X6), không có ý nghĩa thống kê và đã bị loại bỏ trong mô hình 3 Đặc biệt, khách hàng có thời hạn vay ngắn có xác suất trả nợ cao hơn do khoản trả hàng tháng lớn hơn, nhưng trong bối cảnh thu nhập không ổn định do Covid-19, việc này tiềm ẩn rủi ro Chính vì vậy, các tổ chức tín dụng cần áp dụng giải pháp giãn nợ và miễn giảm lãi, dẫn đến việc thay đổi thời hạn vay Nghiên cứu đã chỉ ra rằng thời hạn vay có ý nghĩa thống kê và ảnh hưởng đến khả năng trả nợ của khách hàng.

Theo tác giả, yếu tố “Loại sản phẩm vay” ảnh hưởng đến ý thức trả nợ của khách hàng vay tín dụng Những khách hàng vay để mua sản phẩm tiêu dùng cụ thể thường xuất phát từ nhu cầu cá nhân và do không đủ tài chính để mua ngay Do đó, họ có xu hướng có ý thức trả nợ cao hơn so với những khách hàng vay tiền mặt.

Trong thời gian học sinh học trực tuyến do Covid-19, nhu cầu mua máy tính tăng cao, nhưng nhiều gia đình gặp khó khăn tài chính Do đó, phụ huynh phải tìm các khoản vay tín dụng để đáp ứng nhu cầu học tập Việc này cho thấy khách hàng có khả năng trả nợ đúng hạn cao hơn Nghiên cứu chỉ ra rằng khách hàng làm việc trong lĩnh vực lao động phi chính thức bị ảnh hưởng nhiều hơn, trong khi những người có công việc ổn định như công chức hay nhân viên văn phòng ít bị tác động hơn Ngoài ra, yếu tố nghề nghiệp cũng ảnh hưởng đến khả năng trả nợ của khách hàng tín dụng, với những người làm việc văn phòng thường có khả năng trả nợ tốt hơn.

Tác giả đề xuất đưa yếu tố nơi ở tại vùng Đông Nam Bộ vào nghiên cứu, dựa trên báo cáo của Tổng cục Thống kê về tình hình dịch bệnh Covid-19 và tác động của nó đến nền kinh tế Trong Quý I/2022, thu nhập và tình trạng thiếu việc làm tại vùng này có xu hướng giảm, với nhiều tín hiệu khả quan hơn so với các vùng khác Nghiên cứu cho thấy yếu tố thu nhập của khách hàng tín dụng ảnh hưởng trực tiếp đến khả năng trả nợ, do đó, biến nơi ở tại Đông Nam Bộ được đưa vào để đánh giá tác động đến mô hình tín dụng của FE Credit Kết quả cho thấy yếu tố này có ý nghĩa thống kê và tác động tỷ lệ thuận đến khả năng trả nợ, tức là khách hàng tại vùng này có khả năng trả nợ tốt hơn.

Kết quả phân tích hồi quy cho thấy mô hình chấm điểm tín dụng hiện tại của FE Credit không phản ánh đúng tình hình thực tế, dẫn đến tỷ lệ nợ xấu cao và gia tăng rủi ro cùng chi phí thu hồi nợ.

Việc áp dụng mô hình chấm điểm mới với các yếu tố từ mô hình 3 giúp FE Credit dự đoán khả năng tín dụng một cách chính xác hơn, từ đó giảm chi phí thu thập và kiểm định thông tin khách hàng Nhân viên tín dụng có thể dễ dàng kiểm tra thông tin từ giấy tờ cá nhân hoặc cơ sở dữ liệu công ty mà không cần chờ đợi bên thứ ba Điều này không chỉ giúp khách hàng nhanh chóng nhận được mức XHTD mà còn nâng cao sự hài lòng khi sử dụng dịch vụ của FE Credit.

Chương 4 của nghiên cứu đã trình bày kết quả đánh giá mối liên quan giữa các biến độc lập và khả năng trả nợ của khách hàng Bên cạnh đó, chương này cũng đề xuất bổ sung một số biến độc lập vào mô hình chấm điểm tín dụng hiện tại nhằm phân tích ảnh hưởng của các biến này đến khả năng trả nợ Qua việc kiểm định mô hình hồi quy, chương 4 đã so sánh độ chính xác và mức độ ý nghĩa của các biến giữa mô hình hiện tại và mô hình đề xuất Kết quả phân tích đã chỉ ra những yếu tố mới, được khuyến nghị đưa vào mô hình chấm điểm tín dụng cá nhân của FE Credit trong bối cảnh dịch bệnh Covid-19 hiện nay.

ĐÁNH GIÁ, KIẾN NGHỊ VÀ KẾT LUẬN

Đánh giá về kết quả nghiên cứu

Nghiên cứu đã chỉ ra 11 yếu tố quan trọng để xây dựng mô hình chấm điểm tín dụng cá nhân cho công ty FE Credit, trong đó bao gồm các đề xuất cải tiến nhằm nâng cao độ chính xác và hiệu quả trong quá trình đánh giá tín dụng.

Mô hình chấm điểm tín dụng hiện tại của FE đã được điều chỉnh bằng cách loại bỏ 3 yếu tố cũ và bổ sung 4 yếu tố mới Các yếu tố này đều có ý nghĩa thống kê, ảnh hưởng đến khả năng trả nợ của khách hàng Những đề xuất này dựa trên nhận định của tác giả, kết quả phỏng vấn và tình hình thực tế hiện nay.

Nghiên cứu cho thấy rằng những khách hàng làm công tác văn phòng và sinh sống tại Đông Nam Bộ ít bị ảnh hưởng bởi dịch bệnh, từ đó có khả năng trả nợ cao hơn Thêm vào đó, thời hạn vay dài hơn sẽ giúp giảm số tiền trả định kỳ, tạo điều kiện thuận lợi cho khả năng trả nợ của khách hàng Những yếu tố này phản ánh đúng thực trạng hiện nay, khi nhiều người dân gặp khó khăn trong việc trả nợ do dịch bệnh làm giảm thu nhập.

Một số kết quả đạt được, hạn chế khó khăn của nghiên cứu như sau:

5.1.1 Những mặt được của nghiên cứu

Nghiên cứu này được thực hiện trong bối cảnh dịch bệnh Covid-19 diễn biến phức tạp, ảnh hưởng sâu sắc đến thu nhập và thói quen tiêu dùng của người dân trên toàn quốc Sau giai đoạn bị ảnh hưởng nặng nề, việc hiểu rõ những thay đổi này là vô cùng quan trọng.

Credit có thể tham khảo để cải tiến mô hình chấm điểm tín dụng cá nhân, phù hợp với tình hình hiện tại Các yếu tố được đề xuất cho mô hình mới có khả năng dự đoán khả năng trả nợ của khách hàng cao hơn 6,1% so với mô hình hiện tại của FE Credit Điều này tạo cơ sở vững chắc để công ty xem xét xây dựng một mô hình chấm điểm tín dụng mới, nhằm hạn chế rủi ro, giảm tỷ lệ nợ xấu và nâng cao kết quả kinh doanh trong tương lai.

Nghiên cứu xác định 11 biến độc lập ảnh hưởng đến khả năng trả nợ của khách hàng, nhiều hơn 01 biến so với mô hình ban đầu Các yếu tố này có thể dễ dàng thu thập và kiểm chứng thông tin từ khách hàng, giúp đảm bảo độ chính xác trong việc chấm điểm tín dụng Khi khách hàng cung cấp chứng minh nhân dân cùng với dữ liệu sẵn có, công ty có thể đánh giá mức độ rủi ro tín dụng Việc tích hợp các yếu tố này vào mô hình chấm điểm không chỉ tiết kiệm chi phí thu thập dữ liệu mà còn tạo thuận lợi trong quy trình phê duyệt tín dụng, từ đó nâng cao sự hài lòng của khách hàng và tăng cường năng lực cạnh tranh cho công ty.

Vào thứ ba, các yếu tố định tính ảnh hưởng đến khả năng trả nợ được chuyển đổi thành giá trị định lượng, giúp giảm thiểu tính chủ quan của nhân viên tín dụng Điều này dẫn đến việc đánh giá và chấm điểm trở nên chính xác hơn.

Nghiên cứu này sử dụng 765 mẫu, nhiều hơn so với một số nghiên cứu trước đây, do đó kết quả thu được có giá trị tham khảo và độ tin cậy cao hơn.

5.1.2 Những hạn chế, khó khăn của nghiên cứu

Độ chính xác của kết quả nghiên cứu được xác định dựa trên số lượng mẫu nghiên cứu so với tổng số khách hàng hiện tại của công ty, ước tính khoảng 12 triệu khách hàng.

Mẫu 765 là một kích thước nhỏ so với quy mô khách hàng, do đó, độ chính xác trong việc phù hợp với quy mô và số lượng khách hàng hiện tại sẽ bị ảnh hưởng.

Mặc dù nghiên cứu các yếu tố ảnh hưởng của dịch bệnh Covid-19 đến hoạt động chấm điểm tín dụng cá nhân của FE Credit có xem xét yếu tố thu nhập của người lao động, nhưng do không thể đưa biến này vào phân tích, nên độ chính xác và khả năng dự đoán khả năng trả nợ của khách hàng vẫn còn hạn chế.

Công tác đánh giá và chấm điểm tín dụng cá nhân là yếu tố then chốt quyết định hiệu quả tín dụng của các công ty tín dụng, do đó, việc bảo mật thông tin khách hàng là vô cùng quan trọng Tuy nhiên, do tính chất bảo mật, nguồn dữ liệu về khách hàng trong nghiên cứu này còn hạn chế, dẫn đến việc không thể đưa ra đánh giá chính xác về hoạt động tín dụng của FE Credit hiện nay.

Dữ liệu về nợ xấu có thể không phản ánh chính xác tình hình thực tế của khách hàng, do giai đoạn nghiên cứu trùng với thời điểm dịch bệnh, điều này có thể đã ảnh hưởng đến hành vi tài chính của họ.

5.1.3 Trả lời các câu hỏi nghiên cứu

Kết quả nghiên cứu cho thấy các câu hỏi đã được giải đáp, mang lại ý nghĩa khoa học có thể áp dụng trong thực tế Nghiên cứu phân tích các yếu tố ảnh hưởng của dịch bệnh đến mô hình chấm điểm tín dụng của FE Credit thông qua mô hình hồi quy, từ đó đề xuất một mô hình chấm điểm tín dụng phù hợp với bối cảnh hiện tại Ngoài ra, nghiên cứu cũng đưa ra một số chính sách đề xuất cho FE Credit và cơ quan quản lý nhà nước nhằm nâng cao hiệu quả hoạt động tín dụng cá nhân trong thời gian tới.

Nghiên cứu đã trình bày các cơ sở lý luận quan trọng về tín dụng và xếp hạng tín dụng, đồng thời phân tích các yếu tố tác động đến quá trình xếp hạng tín dụng Kết quả nghiên cứu cung cấp cái nhìn sâu sắc về phương pháp nghiên cứu và những phát hiện nổi bật liên quan đến tín dụng.

Kết luận

Nghiên cứu cho thấy, mặc dù số mẫu quan sát còn hạn chế so với tổng số khách hàng của FE Credit, nhưng đã cung cấp các chỉ số cụ thể để đánh giá khả năng trả nợ Đặc biệt, nghiên cứu đã xem xét các yếu tố mới trong bối cảnh dịch bệnh Covid-19, với độ chính xác dự đoán của mô hình lên tới 89% Mô hình này không chỉ có tính ứng dụng cao mà còn phù hợp với tình hình hiện tại, cho phép dễ dàng tích hợp các yếu tố đề xuất vào quy trình chấm điểm tín dụng cá nhân.

Là công ty hàng đầu trong lĩnh vực tài chính tiêu dùng tại Việt Nam, việc giảm tỷ lệ nợ xấu là yếu tố quan trọng ảnh hưởng trực tiếp đến kết quả kinh doanh Để đạt được điều này, công ty cần xây dựng một mô hình chấm điểm tín dụng cá nhân phù hợp với thực tế, nhằm dự đoán chính xác khả năng trả nợ của khách hàng Nghiên cứu này hy vọng cung cấp dữ liệu hữu ích để công ty tham khảo và đánh giá, từ đó phát triển một mô hình chấm điểm tín dụng cá nhân hiệu quả, góp phần duy trì sự phát triển bền vững.

1 Lý Thị Thanh Bình (2021), Tác động của đại dịch Covid-19 tới lao động, việc làm ở một số nhóm dễ bị tổn thương;Viện Hàn lâm Khoa học xã hội Việt Nam tại địa chỉ https://vass.gov.vn/nghien-cuu-khoa-hoc-xa-hoi-va-nhan-van/Tac-dong- cua-dai-dich-Covid-19-125., truy cập ngày 22/4/2022.

2 Công ty FE Credit; Báo cáo tài chính, báo cáo năm từ năm 2017 đến 2021,

3 Phan Thị Cúc, Giáo trình Lý thuyết Tài chính - Tiền tệ phần 2; NXB Phương Đông 2012, lần tái bản thứ 3, , tr 111- tr114, tr 114- tr 130.

4 Trang Ngọc Đ, Ứng dụng mô hình Bianry Logistic vào phân tích rủi ro tín dụng cá nhân không có tài sản đảm bảo tại Ngân hàng VP Bank; Luận văn Thạc sĩ

Kinh tế, Trường Đại học Tài chính – Marketing, TP Hồ Chí Minh năm 2015.

5 Đinh Phi Hổ, Phương pháp Nghiên cứu kinh tế và viết Luận văn Thạc sỹ &

Luận án Tiến sỹ; NXB Tài chính 2021, tr.146, tr 151- tr 155.

6 Hoàng Trọng – Chu Nguyễn Mộng Ngọc, Phân tích dữ liệu nghiên cứu với

SPSS, tập 2, NXB Hồng Đức 2008, tr 1.

7 Nguyễn Văn H, Ứng dụng mô hình Logit nhằm nâng cao chất lượng xếp hạng tín dụng doanh nghiệp tại Ngân hàng TMCP Quốc tế - Chi nhánh Hoàn Kiếm, Khóa luận Tốt nghiệp, Học viện Ngân hàng, Hà Nội năm 2012.

8 Nguyễn Quang Dong – Nguyễn Thị Minh, Giáo trình Kinh tế lượng; NXB Đại học Kinh tế quốc dân 2013, tái bản lần thứ nhất, tr 238.

9 Nguyễn Huy Hoàng; Giáo trình Phương pháp nghiên cứu khoa học; Trường Đại học Tài chính – Marketing 2020.

10 Hoàng Phê, Từ điểm tiếng Việt, NXB Hồng Đức 2019, tr 1457.

11 Nguyễn Văn Tuấn, Mô hình hồi quy và Khám phá khoa học, NXB Tổng hợp Thành phố Hồ Chí Minh 2020. https://www.gso.gov.vn/du-lieu-va-so-lieu-thong-ke/2022/04/bao-cao-tac-dong-cua- dich-covid-19-den-tinh-hinh-lao-dong-viec-lam-quy-i-nam-2022/., truy cập ngày 20/4/2022.

13 Lê Văn T, Hoàn thiện hệ thống xếp hạng tín dụng cá nhân của ngân hàng

TMCP Á Châu, Luận văn Thạc sĩ Kinh tế, Trường Đại học Kinh tế TP Hồ Chí

Minh, TP Hồ Chí Minh năm 2010.

14 Công ty HD Saison, Giới thiệu về công ty, tại địa chỉ https://www.hdsaison.com.vn/vn/gioi-thieu-hd-saison.html., truy cập ngày 20/4/2022.

15 Công ty Mcredit, Giới thiệu về công ty, tại địa chỉ https://mcredit.com.vn/vi/chung-toi-la-ai., truy cập ngày 20/4/2022.

16 Công ty FE Credit, Giới thiệu về công ty, tại địa chỉ https://fecredit.com.vn/ve-chung-toi/., truy cập ngày 20/4/2022.

Xin chào! Tôi là Giang Linh, học viên Cao học tại Trường Đại học Ngoại thương Hiện tại, tôi đang nghiên cứu về mô hình chấm điểm tín dụng cá nhân tại Công ty Tài chính TNHH Ngân hàng Việt Nam Thịnh Vượng SMBC (FE Credit) trong bối cảnh dịch bệnh Covid-19 Để hoàn thành luận văn này, tôi rất mong nhận được sự hỗ trợ từ quý vị.

Xin Anh/Chị dành chút thời gian thảo luận về vấn đề này Các ý kiến trao đổi sẽ phản ánh quan điểm cá nhân của quý Anh/Chị và chỉ được sử dụng cho mục đích nghiên cứu Xin vui lòng cho biết các yếu tố dưới đây có thể ảnh hưởng đến khả năng trả nợ của khách hàng trong bối cảnh hiện nay hay không Ngoài những yếu tố này, liệu còn có yếu tố nào khác có thể tác động đến khả năng trả nợ của khách hàng?

1 Nơi ở: Đông Nam bộ Có Không

2 Khoản vay được mua bảo hiểm Có Không

3 Thời hạn vay Có Không

4 Loại sản phẩm vay Có Không

5 Giá trị khoản vay Có Không

7 Yếu tố khác: ………Tôi xin chân thành cảm ơn./.

Kết quả chi tiết phân tích mô hình 1 Case Processing Summary a If weight is in effect, see classification table for the total number of cases.

Original Value Internal Value không có khả năng 0 có khả nang trả 1

Percentage Correct không có khả năng có khả nang trả

Step 0 Y không có khả năng 0 156 0 có khả nang trả 0 609 100.0

Overall Percentage 79.6 a Constant is included in the model. b The cut value is 500

Selected Cases Included in Analysis 765 100.0

Variables not in the Equation

Omnibus Tests of Model Coefficients

1 600.047 a 203 319 a Estimation terminated at iteration number 5 because parameter estimates changed by less than 001.

Step Chi-square df Sig.

1 12.706 8 122 năng Y = có khả nang trả

Percentage Correct không có khả năng có khả nang trả

Step 1 Y không có khả năng 54 102 34.6 có khả nang trả 29 580 95.2

Overall Percentage 82.9 a The cut value is 500

Constant 188 552 117 1 733 1.207 a Variable(s) entered on step 1: X1, X2, X3, X4, X5, X6, X7, X8, X9, X10.

Enter a Dependent Variable: Y b All requested variables entered.

Std Error of the Estimate

Squares df Mean Square F Sig.

Total 124.188 764 a Dependent Variable: Y b Predictors: (Constant), X10, X4, X2, X5, X9, X8, X3, X1, X7, X6

B Std Error Beta Tolerance VIF

X10 -.494 078 -.205 -6.341 000 972 1.029 a Dependent Variable: Y a If weight is in effect, see classification table for the total number of cases.

Original Value Internal Value không có khả năng 0 có khả nang trả 1

Percentage Correct không có khả năng có khả nang trả Step 0 Y không có khả năng 0 156 0 có khả nang trả 0 609 100.0

Overall Percentage 79.6 a Constant is included in the model. b The cut value is 500

Variables not in the Equation a

Selected Cases Included in Analysis 765 100.0

X16 78.327 1 000 a Residual Chi-Squares are not computed because of redundancies.

Omnibus Tests of Model Coefficients

Step -2 Log likelihood Cox & Snell R

1 388.943 a 395 621 a Estimation terminated at iteration number 7 because parameter estimates changed by less than 001.

Step Chi-square df Sig.

Percentage Correct không có khả năng có khả nang trả Step 1 Y không có khả năng 100 56 64.1 có khả nang trả 27 582 95.6

Overall Percentage 89.2 a The cut value is 500

Constant 382 834 210 1 647 1.465 a Variable(s) entered on step 1: X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14, X15, X16.

Enter a Dependent Variable: Y b All requested variables entered.

Std Error of the Estimate

Squares df Mean Square F Sig.

Total 124.188 764 a Dependent Variable: Y b Predictors: (Constant), X16, X2, X12, X9, X10, X7, X1, X11, X15, X8, X4, X3,X14, X5, X13, X6

Unstandardized Coefficients ed Coefficien ts t Sig.

X16 -.340 041 -.252 -8.206 000 823 1.216 a Dependent Variable: Y a If weight is in effect, see classification table for the total number of cases.

Original Value Internal Value không có khả năng 0 có khả nang trả 1

Percentage Correct không có khả năng có khả nang trả Step 0 Y không có khả năng 0 156 0 có khả nang trả 0 609 100.0

Overall Percentage 79.6 a Constant is included in the model. b The cut value is 500

Variables not in the Equation

Selected Cases Included in Analysis 765 100.0

Omnibus Tests of Model Coefficients

1 393.357 a 392 616 a Estimation terminated at iteration number 7 because parameter estimates changed by less than 001.

Step Chi-square df Sig.

Contingency Table for Hosmer and Lemeshow Test

Y = không có khả năng Y = có khả nang trả

Percentage Correct không có khả năng có khả nang trả Step 1 Y không có khả năng 98 58 62.8 có khả nang trả 26 583 95.7

Overall Percentage 89.0 a The cut value is 500

Constant 503 652 596 1 440 1.654 a Variable(s) entered on step 1: X1, X2, X3, X4, X7, X9, X10, X11, X13, X14, X16.

Enter a Dependent Variable: Y b All requested variables entered.

Squares df Mean Square F Sig.

Total 124.188 764 a Dependent Variable: Y b Predictors: (Constant), X16, X2, X9, X10, X7, X1, X11, X13, X4, X3, X14