0024 Yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng cá nhân tại NHTM CP Tiên Phong - chi nhánh Bến Thành TP HCM Luận văn thạc sĩ TCNH Bùi Vũ Nam Phong.docx

CƠ SỞ LÝ THUYẾT VỀ CÁC YẾU TỐ ẢNH HƯỞNG ĐẾN KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG CÁ NHÂN

Tổng quan cho vay khách hàng cá nhân của ngân hàng thương mại

2.1.1 Khái niệm cho vay khách hàng cá nhân

Cho vay là một hình thức cấp tín dụng, theo đó tổ chức tín dụng giao cho khách hàng một số tiền để sử dụng vào một mục đích và thời gian nhất định theo thỏa thuận, với nguyên tắc có hoàn trả cả vốn gốc và lãi (Bùi Diệu Anh, 2011).

Theo Luật các tổ chức tín dụng số 47/2010/QH12 ngày 16 tháng 6 năm 2010, Cấp tín dụng là việc thỏa thuận để tổ chức, cá nhân sử dụng một khoản tiền hoặc cam kết cho phép sử dụng một khoản tiền theo nguyên tắc có hoàn trả bằng nghiệp vụ cho vay, chiết khấu, cho thuê tài chính, bao thanh toán, bảo lãnh ngân hàng và các nghiệp vụ cấp tín dụng khác Cho vay là hình thức cấp tín dụng, theo đó bên cho vay giao hoặc cam kết giao cho khách hàng một khoản tiền để sử dụng vào mục đích xác định trong một thời gian nhất định theo thỏa thuận với nguyên tắc có hoàn trả cả gốc và lãi.

Theo từ điển “Tài chính ngân hàng” (Law và Smullen, 2005), tín dụng cá nhân “là khoản tiền hoặc tài sản mà các tổ chức tín dụng cung cấp cho một cá nhân sau khi đã đánh giá rủi ro về cá nhân này và tổ chức cung cấp tín dụng này sẽ nhận được khoản tiền gốc và lãi cho vay sau một khoản thời gian nhất định theo thoả thuận” Đây cũng là khái niệm được sử dụng rộng rãi trên thế giới.

Theo thông tư 39/2016/TT-NHNN ngày 30/12/2016, khách hàng vay vốn tại tổ chức tín dụng là cá nhân bao gồm: cá nhân có quốc tịch Việt Nam và cá nhân có quốc tịch nước ngoài KHCN là cá nhân có quốc tịch Việt Nam, cá nhân có quốc tịch nước ngoài cư trú tại Việt Nam từ đủ 18 tuổi trở lên, có năng lực hành vi dân sự đầy đủ theo quy định của pháp luật hoặc từ đủ 15 tuổi đến chưa đủ 18 tuổi không bị mất hoặc hạn chế năng lực hành vi dân sự theo quy định của pháp luật (trong một số giao dịch dân sự pháp luật cho phép người dưới 18 tuổi tham gia).

Quyết định số QDDi/SP19/CN/TD ngày 31/12/2013 của Tổng giám đốc về Quy trình cho vay đối với KHCN trong hệ thống TPBank Đối tượng KHCN bao gồm cá nhân có quốc tịch Việt Nam; cá nhân có quốc tịch nước ngoài cư trú tại Việt Nam từ 18 tuổi trở lên; Cá nhân vay vốn sử dụng vào mục đích của cá nhân; Cá nhân vay vốn sử dụng vào mục đích chung của gia đình; Cá nhân vay vốn là chủ hộ kinh doanh, vay vốn phục vụ hoạt động kinh doanh của hộ kinh doanh (hộ kinh doanh có đăng ký kinh doanh); Cá nhân vay vốn là chủ doanh nghiệp tư nhân vay vốn phục vụ nhu cầu hoạt động kinh doanh của doanh nghiệp tư nhân; Cá nhân vay vốn sử dụng vào mục đích chung của tổ chức khác không có tư cách pháp nhân.

2.1.2 Phân loại cho vay khách hành cá nhân

Căn cứ vào mục đích sử dụng vốn vay: Theo luật các tổ chức tín dụng số

47/2010/QH12 ngày 16 tháng 6 năm 2010, các khoản vay KHCN bao gồm 2 loại sau:

- Cho vay tiêu dùng: Là khoản vay đáp ứng nhu cầu chi tiêu của các KHCN như: xây nhà, sửa nhà, mua xe, mua sắm vật dụng trong gia đình, du lịch, đi học, chữa bệnh, cưới hỏi,

… và các nhu cầu thiết yếu khác trong cuộc sống Nhưng không bao gồm mục đích để kinh doanh Vay tiêu dùng cá nhân có 2 hình thức là vay tín chấp và vay thế chấp.

- Cho vay sản xuất kinh doanh: Là sản phẩm cho vay nhằm đáp ứng nhu cầu vay vốn để thực hiện các dự án đầu tư, phương án sản xuất kinh doanh, dịch vụ trong nước Thời gian và quy mô khoản vay phù hợp với chu kỳ sản xuất kinh doanh, khả năng trả nợ của khách hàng Hình thức vay vốn sản xuất kinh doanh giúp cá nhân người đi vay nhận được một khoản tiền lớn, có ích cho hoạt động kinh doanh sắp tới và có thể hoàn trả kèm theo mức lãi phù hợp trong một khoảng thời gian nhất định

Căn cứ vào phương thức hoàn trả: Theo luật các tổ chức tín dụng số 47/2010/QH12 ngày 16 tháng 6 năm 2010, có 4 loại sau:

- Cho vay từng lần: Là phương thức vay mà mỗi lần vay khách hàng và Ngân hàng đều phải làm các thủ tục cần thiết và ký hợp đồng cho vay Đây là hình thức cho vay theo món khi khách hàng có nhu cầu, áp dụng đối với KHCN có nhu cầu tiền mặt tức thời và được thanh toán một lần khi đến hạn Quy mô của món vay là tương đối nhỏ, thường vay ngắn hạn, rủi ro các món vay này là không lớn lắm.

- Cho vay trả góp: Là khoản vay của KHCN không có đủ khả năng tài chính để chi trả một lần, trả góp là hình thức cho vay mà Ngân hàng và khách hàng xác định và thỏa thuận số lãi phải trả cộng với số nợ gốc được chia ra để trả nợ theo nhiều kỳ hạn (tháng, quý,…) trong thời gian vay Các khoản vay trả góp này mang lãi suất cố định hoặc lãi suất thả nổi Hình thức cho vay này lại được chia nhỏ thành: Trả gốc và lãi hàng tháng đều nhau, trả gốc hàng tháng bằng nhau lãi trả theo số dư gốc còn lại hoặc trả lãi hàng kì còn gốc trả cuối kì.

- Cho vay theo hạn mức thấu chi: Là phương thức cho vay mà Ngân hàng thỏa thuận bằng văn bản chấp nhận cho khách hàng chi vượt số tiền có trên số dư tài khoản thanh toán của khách hàng một hạn mức nhất định, trong thời gian nhất định Hiện nay, phương thức cho vay này đang được các ngân hàng thương mại thực hiện ngày càng rộng rãi bởi tính ưu việt của nó.

- Cho vay theo hạn mức tín dụng: Cho vay theo hạn mức tín dụng là phương pháp cho vay mà Ngân hàng và khách hàng xác định và thỏa thuận một hạn mức cho vay, duy trì hạn mức cho vay được tính từ thời điểm hạn mức cho vay bắt đầu có hiệu lực, cho đến thời điểm hạn mức cho vay đó hết hiệu lực hoặc hạn mức cho vay khác thay thế.

Căn cứ vào thời gian vay: Theo Phan Thị Thu Hà (2013), phân loại theo thời hạn cho vay gồm:

- Cho vay ngắn hạn: là các khoản vay có thời hạn cho vay từ 12 tháng trở xuống;

- Cho vay trung hạn: là các khoản vay có thời hạn cho vaytừ trên 1 năm đến 5 năm;

- Cho vay dài hạn: là các khoản vaycó thời hạn cho vay từ trên 5 năm.

Căn cứ vào biện pháp bảo đảm tiền vay: Theo tiêu thức này, Nguyễn Minh Kiều

(2011) cho vay KHCN được chia thành các loại sau:

- Cho vay không có tài sản đảm bảo là loại cho vay không có tài sản thế chấp, cầm cố hoặc bảo lãnh chỉ dựa vào uy tín của bản thân khách hàng vay vốn để quyết định cho vay.

- Cho vay có tài sản đảm bảo là loại cho vay dựa trên cơ sở các bảo đảm tiền vay, như cầm cố, thế chấp tài sản của khách hàng hoặc bảo lãnh tài sản của bên thứ ba.

2.1.3 Đặc điểm cho vay khách hàng cá nhân

Từ định nghĩa trên cho thấy tín dụng cá nhân là một loại hình của tín dụng, chính vì vậy nó mang những đặc điểm chung của tín dụng Có ba đặc điểm chung như sau:

Khả năng trả nợ của khách hàng cá nhân

Hiện tại trên thế giới và Việt Nam chưa có thống nhất khái niệm về “khả năng trả nợ của khách hàng” mà chỉ tập trung vào các biểu hiện của khách hàng được đánh giá là

“không có khả năng trả nợ” Thông qua phương pháp nhận diện khách hàng “không có khả năng trả nợ”, các khách hàng còn lại thuộc trường hợp khách hàng “có khả năng trả nợ”.

Tài liệu Basel Committee on Banking Supervision – 2006, Ủy ban Basel cũng định nghĩa khách hàng “default - không có khả năng trả nợ” là những khách hàng thuộc một trong các dấu hiệu hoặc tất cả dấu hiệu như sau: Khách hàng không có khả năng thực hiện nghĩa vụ thanh toán đầy đủ khi đến hạn mà chưa tính đến việc ngân hàng bán tài sản (nếu có) để hoàn trả; Khách hàng có các khoản nợ chậm thanh toán có thời gian quá hạn trên 90 ngày.

Quỹ tiền tệ quốc tế (IMF - International Monetary Fund) định nghĩa về cơ bản một khoản nợ được coi là “nonperforming loan - nợ xấu” khi quá hạn trả lãi và/hoặc gốc trên

90 ngày; hoặc các khoản lãi chưa trả từ 90 ngày trở lên đã được nhập gốc, tái cấp vốn hoặc đồng ý chậm trả theo thoả thuận; hoặc các khoản phải thanh toán đã quá hạn dưới

90 ngày nhưng có lý do chắc chắn để nghi ngờ về khả năng khoản vay sẽ không được thanh toán đầy đủ.

Tại Việt Nam chỉ có quy định về nợ xấu là nợ được các TCTD đánh giá là không có khả năng trả nợ Cụ thể theo Quyết định 493/2005/QĐ-NHNN, Quyết định 18/2007/QĐ- NHNN và Thông tư 02/2013/TT-NHNN nợ xấu bao gồm các khoản nợ từ nhóm 3 cho đến nhóm 5, là các khoản nợ bị đánh giá là Nợ dưới tiêu chuẩn (nợ nhóm 3), Nợ nghi ngờ (nhóm 4) và Nợ có khả năng mất vốn (nợ nhóm 5) Nợ nhóm 2 được cho là suy giảm khả năng trả nợ, đây cũng là những khoản vay cần chú ý xem xét lại khả năng trả nợ của khách hàng.

Xét trong mối quan hệ tín dụng ngân hàng, khả năng trả nợ vay của khách hàng là việc đánh giá khách hàng có thực hiện đầy đủ và đúng hạn nghĩa vụ trả nợ cho bên cấp tín dụng trong toàn bộ thời gian quan hệ tín dụng Trong khuôn khổ bài viết, tác giả đánh giá các khoản vay thuộc nhóm nợ từ nhóm 2 đến nhóm 5 là các khoản vay không trả nợ đúng hạn.

Thông qua cơ sở lý thuyết về khả năng trả nợ và định nghĩa về trả nợ đúng hạn,trong nghiên cứu này khả năng trả nợ đúng hạn được hiểu là khả năng trả nợ của KHCN, trả nợ một phần gốc hoặc toàn bộ nợ gốc trước thời gian hoặc đúng thời gian ghi trên hợp đồng vay vốn.

Các yếu tố ảnh hưởng khả năng trả nợ vay của khách hàng cá nhân và tổng quan các nghiên cứu trước đây

2.3.1 Các nghiên cứu nước ngoài

Ahmad&Ebrahim (2014) nghiên cứu các yếu tố đóng góp cho hành vi trả nợ tại ngân hàng Với 150 mẫu khảo sát bằng bảng câu hỏi, những người được phỏng vấn là người đang vay và đang có nợ quá hạn Các biến độc lập trong nghiên cứu này bao gồm giới tính, trình độ học vấn, nghề nghiệp, nguồn thu nhập, khoảng cách đến ngân hàng, tiết kiệm, các khoản cho vay khác nhận được, giải thích trước khi vay, giám sát, lãi suất cho vay, thời gian vay, phương thức trả nợ Biến phụ thuộc được xác định là liệu khách hàng đã trì hoãn việc hoàn trả các khoản nợ vay cho ngân hàng hay không Thông qua mô hình hồi quy logit, kết quả của phân tích hồi quy cho thấy các biến số giám sát, công việc, số khoản vay và trình độ có ý nghĩa thống kê Điều này có nghĩa là bốn biến này có thể là một nhân tố dự báo tốt cho việc không trả nợ của khách hàng Ngược lại, các biến về khoảng cách đến ngân hàng, lãi suất cho vay, phương thức hoàn trả, thời gian hoàn vốn, nguồn thu nhập, chi tiêu, tuổi, giới tính không đáng kể Tuy nhiên, kết quả của nghiên cứu này cần được giải thích một cách thận trọng vì phần lớn những người được hỏi trong nghiên cứu này không biết chữ hoặc giáo dục tiểu học hoặc trung học và có thể hiểu sai câu hỏi hoặc cung cấp câu trả lời sai lệch ngay cả với sự trợ giúp của nhà nghiên cứu.

Theo Hussain & Shorouq (2014) các tác giả đã sử dụng mô hình logit để đánh giá các yếu tố có ảnh hưởng đến quyết định cho vay Nghiên cứu với 492 quan sát trường hợp đồng ý và từ chối cấp tín dụng từ các ngân hàng thương mại tại Jordan, trong đó có 292 trường hợp được cấp tín dụng (59,35% mẫu quan sát) và 200 trường hợp từ chối cấp tín dụng (40,65%) Có 13 biến bao gồm 7 biến thang đo và 6 biến thứ bậc: tuổi, giới tính,tổng thu nhập, loại hình công ty nơi khách hàng làm việc, nguồn dự phòng, giá trị khoản vay, mục đích vay vốn, kinh nghiệm làm việc, thời gian vay, quốc tịch, lãi vay, tỷ số nợ trên thu nhập, quyết định tín dụng Kết quả cho thấy chỉ có 7 trong 13 biến có ý nghĩa thống kê và ảnh hưởng đến quyết định tín dụng bao gồm: mục đích vay vốn, tổng thu nhập, loại hình công ty nơi khách hàng làm việc, nguồn dự phòng, lãi vay, tỷ số nợ trên thu nhập.

Nghiên cứu của Kenneth (2013), trường đại học Nairobi, một báo cáo nghiên cứu về những nhân tố ảnh hưởng đến khả năng trả nợ của khách hàng tại Ngân hàng Thương Mại Barclay của Kenya Đối tượng khảo sát bao gồm các nhân viên quan hệ khách hàng, quản lý tín dụng tại các chi nhánh của ngân hàng, bên cạnh đó còn có khách hàng tại ngân hàng Luận văn nhận được 78 phản hồi với kết quả nghiên cứu các nhân tố thuộc nhóm người cho vay (khoảng thời gian chấp nhận cho vay, địa điểm của ngân hàng, những nhân tố vĩ mô, lạm phát, hiệu suất làm việc của ngân hàng), các nhân tố thuộc về người vay (tuổi, giới tính, trình độ học vấn, nghề nghiệp, kinh nghiệm) và các nhân tố khoản vay (chi phí vay, hình thức vay/tài sản thế chấp, kích cỡ vay, thời hạn vay) có tác động đến khả năng trả nợ của khách hàng tại ngân hàng Tuy nhiên, luận văn không đề cập cụ thể tác động của từng nhân tố bên trong đến khả năng trả nợ của khách hàng.

Wongnaal & Dadson (2013), nghiên cứu các nhân tố ảnh hưởng đến khả năng trả nợ của các hộ nông dân Trong nghiên cứu này tác giả tìm các nhân tố ảnh hưởng đến khả năng trả nợ của những người nông dân trồng khoai lang ở thị trấn Sene, Ghana Tác giả lựa chọn 100 hộ nông dân bất kỳ để tiến hành khảo sát với bảng câu hỏi không cấu trúc.

Mô hình nghiên cứu của tác giả sử dụng là mô hình probit Kết quả nghiên cứu cho thấy trình độ học vấn, kinh nghiệm, lợi nhuận, tuổi, giám sát và thu nhập phi nông nghiệp có tác động tích cực đến khả năng trả nợ Ngược lại, giới tính và hôn nhân có ảnh hưởng tiêu cực đến khả năng trả nợ trong khi đó kết quả của số thành viên trong gia đình thì không rõ ràng.

Nghiên cứu của Antwi và cộng sự (2012) đã tìm hiểu về những nhân tố ảnh hưởng đến rủi ro mất khả năng hoàn trả nợ vay tại Ghana: trường hợp nghiên cứu của ngân hàngAkuapem thông qua mô hình hồi quy logit Nghiên cứu này đã đưa ra một mô hình nghiên cứu gồm 6 nhân tố như: loại hình cho vay; lãi suất vay; khoản vay có tài sản đảm bảo; tình trạng hôn nhân; nơi sinh sống và giới tính Mục tiêu nghiên cứu nhằm xác định một số yếu tố ảnh hưởng đến rủi ro không trả được nợ của khách hàng tại Ngân hàngAkuapem Cơ sở dữ liệu để tiến hành phân tích gồm 800 mẫu được quan sát từ 2006 đến 2010 Kết quả nghiên cứu cho thấy, Ngân hàng cần chú trọng vào nhân tố loại hình cho vay và khoản vay có tài sản đảm bảo để góp phần giảm bớt rủi ro vì đây là hai nhân tố được đánh giá có ảnh hưởng nhiều đến khả năng trả nợ vay của khách hàng.

Nghiên cứu của George (2012), trường đại học khoa học và kỹ thuật Kwame Nkrumah, một bài nghiên cứu khoa học về những nhân tố ảnh hưởng đến khả năng hoàn trả của khách hàng tại Ngân hàng Akatakyiman Rural Nghiên cứu bao gồm 11 biến, dữ liệu được thu thập từ 100 quan sát trong 4 năm 2006 đến 2010 Bằng phương pháp logit, kết quả cho thấy tài sản bảo đảm và mục đích vay có ảnh hưởng đáng kể trong khi đó giới tính, tình trạng hôn nhân, tuổi, trình độ giáo dục, lãi suất và số năm quan hệ với ngân hàng không ảnh hưởng.

2.3.2 Các nghiên cứu trong nước

Nguyễn Thanh Tuấn (2017) nghiên cứu được thực hiện bằng phương pháp định lượng với dữ liệu khảo sát từ 250 hộ gia đình vay vốn học sinh, sinh viên đã trả hết nợ trên địa bàn huyện Cát Tiên Để phân tích tác giả sử dụng mô hình hồi quy xác suất nhị phân logistic Kết quả nghiên cứu đã cho rằng các nhân tố như: thu nhập bình quân của thành viên trong hộ gia đình; tình trạng hôn nhân của học sinh sinh viên sau khi ra trường; số vốn vay chương trình tín dụng học sinh sinh viên của hộ gia đình; số vốn khác hộ gia đình đã vay; học vấn của người đứng tên vay vốn trong gia đình; số sinh viên vay vốn trong gia đình và tình trạng sức khỏe của các thành viên trong gia đình; các nhân tố này có ý nghĩa khoa học và tác động mạnh đến khả năng trả nợ đúng hạn của hộ gia đình vay vốn học sinh sinh viên.

Nguyễn Thị Thanh Hương (2016) sử dụng mô hình kinh tế lượng dưới dạng hàm hồi quy nhị phân Binary Logistic ước lượng tác động của các nhân tố đến các chỉ tiêu chủ yếu phản ánh khả năng trả nợ của khách hàng, có phân chia dữ liệu khách hàng theo từng vùng miền trên cả nước Với tổng số mẫu khảo sát là 118 mẫu hợp lệ, các chỉ tiêu đánh giá bao gồm 24 chỉ tiêu liên quan đến thông tin khách hàng và 7 chỉ tiêu về mối quan hệ giữa khách hàng và ngân hàng.

Nghiên cứu của Vương Quốc Duy và Đặng Hoàng Trung (2015) sử dụng số liệu sơ cấp và mô hình Probit để đánh giá các nhân tố ảnh hưởng đến khả năng tiếp cận tín dụng chính thức của hộ chăn nuôi heo ở quận Ô Môn, Thành phố Cần Thơ sau khi thu thập số liệu từ phỏng vấn trực tiếp 223 nông hộ chăn nuôi heo trên địa bàn theo phương pháp chọn mẫu phân tầng kết hợp với ngẫu nhiên Từ 11 chỉ tiêu đưa vào mô hình, nghiên cứu chỉ ra được có 05 nhân tố ảnh hưởng đến việc tiếp cận tín dụng của các nông hộ đó là giới tính, trình độ học vấn, độ tuổi, vị trí xã hội, thu nhập. Đặng Thị Cẩm Nhung (2015) nghiên cứu các yếu tố tác động đến khả năng trả nợ của KHCN tại Agribank chi nhánh Long An, với 230 mẫu quan sát, nghiên cứu sử dụng mô hình Logit với 11 biến số: Tuổi, Giới tính, Trình độ học vấn, Nghề nghiệp, Tình trạng hôn nhân, Số người phụ thuộc, Thời hạn vay, Lãi suất, Thu nhập bình quân hàng tháng, Chi tiêu bình quân hàng tháng, Số nhân khẩu Kết quả của mô hình cho thấy các yếu tố: giới tính, nghề nghiệp, tình trạng hôn nhân, thời hạn vay, thu nhập bình quân của hộ và chi tiêu bình quân của hộ có tác động làm tăng khả năng trả nợ vay của KHCN Mô hình cho thấy, chủ hộ là nam giới có khả năng trả nợ vay càng cao Nghề nghiệp chính càng ổn định thì khả năng trả nợ vay càng tốt, các chủ hộ đã lập gia đình thì khả năng trả nợ cao hơn chủ hộ chưa lập gia đình Thời hạn vay càng dài thì khả năng trả nợ vay tốt hơn những hộ vay thời gian ngắn Thu nhập bình quân của hộ càng cao thì càng đảm bảo khả năng trả nợ tốt hơn.

Nguyễn Phúc Mẫn (2015) nghiên cứu những yếu tố ảnh hưởng đến khả năng trả nợ của KHCN vay vốn tại Ngân hàng TMCP Ngoại Thương Việt Nam - chi nhánh VũngTàu, nghiên cứu trên 503 KHCN với 13 biến: Giới tính, Độ tuổi, Tình trạng hôn nhân,Trình độ học vấn, Đặc điểm nghề nghiệp, Thu nhập, Kích cỡ khoản vay, Lãi suất, Thời hạn vay, Hình thức vay, Mục đích vay, Kiểm tra mục đích sử dụng vốn, Chấm điểm tín dụng Kết quả mô hình Probit cho thấy xét về mặt quy mô trả nợ, biến số này phụ thuộc cùng chiều với các biến số như: Đại học, Sau đại học, Lãnh đạo/Quản lý, Kích cỡ khoản vay, Thời hạn vay và Hình thức vay Quy mô trả nợ cũng phụ thuộc vào một số biến số khác nhưng với ảnh hưởng ngược chiều như: Giới tính, Công nhân viên, Lãi suất khoản vay, Vay tiêu dùng,

Vay mua bất động sản Xét về thời hạn trả nợ, biến số này chịu ảnh hưởng thuận chiều bởi các biến số như: Sau đại học, Lãnh đạo/Quản lý, Chuyên viên, Kích cỡ khoản vay, Hình thức vay Trong khi đó các biến số khác như: Giới tính, Lãi suất vay hay Vay mua bất động sản tác động âm tới khả năng trả nợ đúng hạn.

Nghiên cứu của Đoàn Thị Bảo Châu (2014) cũng ứng dụng phương pháp hồi quy Binary Logistic nhằm xác định ảnh hưởng của các yếu tố đến khả năng trả nợ của KHCN tại Ngân hàng TMCP Á Châu Từ 14 biến độc lập được đưa vào mô hình nghiên cứu, kết quả chỉ ra 6 yếu tố tác động đến khả năng trả nợ của KHCN là độ tuổi của khách hàng, số người phụ thuộc, thu nhập của khách hàng, độ rủi ro trong nghề nghiệp của khách hàng và tình trạng sở hữu nhà của khách hàng.

Nghiên cứu của Bùi Văn Trịnh & Nguyễn Trường Kỳ (2012), nghiên cứu các nhân tố ảnh hưởng đến việc trả nợ vay đúng hạn của hộ nông dân tại Thành phố Cần Thơ với

300 mẫu phỏng vấn các hộ nông dân có vay vốn trên địa bàn Thành phố Cần Thơ. Nghiên cứu sử dụng mô hình Probit và phần mềm Stata với 11 biến Tuổi (age), Giới tính (sex), Trình độ (level), Nghề nghiệp của khách hàng (Job), Tình trạng hôn nhân (marital status), Số người phụ thuộc (dependent), Thời hạn cho vay (term), Lãi suất ngân hàng (interest), Thu nhập hàng tháng của hộ (income), Chi tiêu hàng tháng của hộ (cost), Số nhân khẩu (people) Cho thấy lãi suất vay vốn tỷ lệ nghịch với trả nợ vay đúng hạn của hộ nông dân, các yếu tố mục đích sử dụng vốn, thu nhập trong năm và số thành viên có thu nhập trong gia đình ảnh hưởng tỷ lệ thuận với khả năng trả nợ nay đúng hạn của hộ nông dân.

MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Mô hình nghiên cứu và các giả thuyết

3.1.1 Mô hình nghiên cứu đề xuất

Trên cơ sở lý thuyết và các công trình nghiên cứu liên quan trước đây đã được trình bày trong chương 2, chương 3 tập trung đi sâu vào một số khía cạnh như: xây dựng mô hình nghiên cứu với việc xác định từng biến số được sử dụng trong mô hình, các giả thuyết nghiên cứu; mô tả sơ lược về mẫu dữ liệu nghiên cứu; phương pháp nghiên cứu. Đồng thời, phương trình hồi quy được thực hiện trong quá trình nghiên cứu cũng sẽ được trình bày trong chương này.

Thông qua quá trình nghiên cứu về các yếu tố ảnh hưởng đến khả năng trả nợ của KHCN từ những nghiên cứu trước đây, được tổng hợp trong chương 2 và qua kinh nghiệm trong quá trình công tác tại đơn vị Tác giả đã quyết định chọn ra 12 biến là Độ tuổi, giới tính, hôn nhân, nghề nghiệp, trình độ, thu nhập, chi tiêu, lãi suất, thời hạn vay, kích cỡ khoản vay, hình thức vay và mục đích vay là những yếu tố có tác động chủ yếu đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành Mặt khác số liệu thu nhập từ việc khảo sát về các yếu tố trên từ khách hàng có độ tin tưởng cao và được tác giả kiểm chứng lại bằng thông tin hồ sơ lưu tại đơn vị, nên độ tin cậy từ số liệu trên là khá cao Ngoài các yếu tố trên đã được chọn vào mô hình, tác giả cũng đã đề cập đến một số yếu tố như: Nhân khẩu trong gia đình, số người phụ thuộc, thu nhập các thành viên, tính chất công việc, kinh nghiệm làm việc, thời gian làm việc là một trong những yếu tố tham khao và các yếu tố này có khía cạnh trùng lập với các yếu tố đã được tác giả lựa chọn vào mô hình. Đề tài sử dụng mô hình hồi qui Binary Logistic để tiến hành nghiên cứu, phân tích mối liên hệ giữa các biến độc lập và biến phụ thuộc.

Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), với hồi qui Binary Logistic, thông tin cần thu thập về biến phụ thuộc Y và biến độc lập X Đây là mô hình định lượng với biến phụ thuộc Y là biến giả, chỉ nhận hai giá trị là 0 và 1, với 0 là không xảy ra sự kiện và 1 là có xảy ra.

Mô hình Binary Logistic là mô hình toán kinh tế lượng hồi quy để xem xét mối liên hệ giữa biến phụ thuộc Y và tất cả các biến còn lại là biến độc lập (Xi).

Hàm hồi quy Logit sẽ tính xác suất xảy ra Y theo quy tắc: Nếu xác suất >=0.5 thì Y=1; nếu xác suất < 0.5 thì Y = 0.

Y đóng vai trò là biến phụ thuộc và là biến nhị phân, chỉ có thể nhận hai giá trị là 0 hoặc 1, cụ thể là: 0 nếu không có khả năng trả nợ, 1 nếu có khả năng trả nợ.

Xi là biến độc lập, thể hiện các yếu tố ảnh hưởng đến khả năng trợ nợ của khách hàng, ví dụ như tuổi, giới tính, nghề nghiệp, thu nhập,…đối với KHCN.

Một mô hình được coi là thành công hay không phụ thuộc chủ yếu vào tính chính xác của kết quả dự báo thu được từ mô hình đó.

Ngưỡng xác suất ở đây thường được lấy là 0,5 tức là nếu xác suất khách hàng trả được từ 0,5 trở lên, khi đó xếp khách hàng vào nhóm trả được nợ.

Nếu xác suất khách hàng trả được nợ nhỏ hơn 0,5, khi đó xếp khách hàng vào nhóm không trả được nợ Sau đó so sánh việc xếp loại khách hàng này với thực tế trả nợ của họ xem tỷ lệ đúng là bao nhiêu, đó chính là độ chính xác của kết quả dự báo. Ưu điểm mô hình logit:

- Mô hình Logit là mô hình định lượng nên khắc phục được những nhược điểm của mô hình định tính, khách quan, nhất quán, không phụ thuộc vào ý kiến chủ quan của nhân viên cho vay.

Khả năng trả nợ của KHCN

Nghề nghiệp Kích cỡ khoản vay

Hôn nhân Thời hạn vay

- Mô hình Logit này đo lường rủi ro cho vay khá đơn giản, dễ thực hiện bằng phần mềm chuyên dụng (như Eviews, SPSS).

- Mô hình Logit là cơ sở để ngân hàng phân loại khách hàng và nhận diện rủi ro.

- Mô hình Logit có thể đo lường vai trò của các yếu tố tác động đến khả năng trả nợ của khách hàng.

- Mô hình Logit dễ dàng hiệu chỉnh hoặc thêm bớt các biến định tính và định lượng nhằm xác định cụ thể tác động của các yếu tố tới rủi ro cho vay.

Nhược điểm mô hình logit:

- Mô hình đòi hỏi phải có một số lượng dữ liệu đủ lớn cho mỗi phạm trù trong số liệu thống kê, trong quá trình xử lý dữ liệu.

- Do chỉ sử dụng phương pháp định lượng nên kết quả mô hình có thể trái ngược với lý thuyết và không có chức năng giải thích nguyên nhân kết quả mô hình.

- Mô hình không thể ứng dụng khi các trường hợp KHCN thiếu dữ liệu Mô hình hồi quy Binary Logistic theo hình sau:

Hình 3.1: Mô hình hồi quy Binary Logistic

Nguồn: Tác giả tổng hợp

Hàm hồi quy Logistic (còn gọi là hồi quy Logit) có dạng như sau:

- Y: Khả năng trả nợ vay đúng hạn của KHCN

Y = 1: Khách hàng trả nợ vay đúng hạn

Y = 0: Khách hàng không trả nợ vay đúng hạn

- X1, …, X12: Các nhân tố ảnh hưởng đến khả năng trả nợ đúng hạn của KHCN

- βi là các hệ số hồi quy của hàm Logit

- ε là sai số ngẫu nhiên.

Tuy mô hình Logistic còn một số nhược điểm trên, song thực tế các nghiên cứu trước, nhất là các nghiên cứu trong nước thường sử dụng mô hình này phù hợp với nghiên cứu về khả năng trả nợ của KHCN tại Việt Nam Do vậy, trong điều kiện nghiên cứu của tác giả sử dụng mô hình Logistic để thực hiện nghiên cứu các yếu tố ảnh hưởng khả năng trả nợ vay của KHCN tại TPBank – CN Bến Thành.

Bảng 3.1 Nguồn gốc các biến

Khả năng trả nợ của KHCN

Hussain & Shorouq (2014); Wongnaal & Dadson (2013); Trương Đông Lộc & Nguyễn Thanh Bình (2011); Bùi Văn

Trịnh & Nguyễn Trường Kỳ (2012); Đặng Thị Cẩm Nhung (2015); Nguyễn Phúc Mẫn (2015)

Hussain & Shorouq (2014); Wongnaal & Dadson (2013); Trương Đông Lộc & Nguyễn Thanh Bình (2011); Bùi Văn Trịnh & Nguyễn Trường

Kỳ (2012); Đặng Thị Cẩm Nhung (2015); Nguyễn Phúc Mẫn (2015)

Ahmad & Ebrahim (2014); Hussain & Shorouq (2014); Wongnaal & Dadson (2013); Bùi Văn Trịnh & Nguyễn Trường Kỳ (2012); Đặng Thị Cẩm Nhung (2015); Nguyễn Phúc Mẫn (2015)

Ahmad & Ebrahim (2014); Wongnaal & Dadson (2013); Trương Đông Lộc & Nguyễn Thanh Bình (2011); Bùi Văn Trịnh & Nguyễn Trường

Ahmad & Ebrahim (2014); Trương Đông Lộc & Nguyễn Thanh Bình (2011); Bùi Văn Trịnh & Nguyễn Trường Kỳ (2012); Đặng Thị Cẩm Nhung (2015); Nguyễn Phúc Mẫn (2015)

Wongnaal & Dadson (2013); Bùi Văn Trịnh & Nguyễn Trường Kỳ (2012); Đặng Thị Cẩm Nhung (2015); Nguyễn Phúc Mẫn (2015)

Bùi Văn Trịnh & Nguyễn Trường Kỳ (2012); Đặng Thị Cẩm Nhung (2015)

Ahmad & Ebrahim (2014); Hussain & Shorouq (2014); Bùi Văn Trịnh &Nguyễn Trường Kỳ (2012); Đặng Thị Cẩm Nhung (2015); NguyễnPhúc Mẫn (2015)

Ahmad & Ebrahim (2014); Hussain & Shorouq (2014); Trương Đông Lộc & Nguyễn Thanh Bình (2011); Bùi Văn Trịnh & Nguyễn Trường

Ahmad & Ebrahim (2014); Hussain & Shorouq (2014); Wongnaal & Dadson (2013); Trương Đông Lộc & Nguyễn Thanh Bình (2011); Bùi Văn Trịnh & Nguyễn Trường Kỳ (2012); Đặng Thị Cẩm Nhung (2015); Nguyễn Phúc Mẫn (2015)

Ahmad & Ebrahim (2014); Bùi Văn Trịnh & Nguyễn Trường Kỳ (2012); Đặng Thị Cẩm Nhung (2015)

11 Kích cỡ khoản vay Hussain & Shorouq (2014); Nguyễn Phúc Mẫn (2015)

Hussain & Shorouq (2014); Trương Đông Lộc & Nguyễn Thanh Bình (2011); Nguyễn Phúc Mẫn (2015)

Nguồn: Tác giả tổng hợp

3.1.3 Các biến nghiên cứu Biến phụ thuộc

Khả năng trả nợ đúng hạn của KHCN là biến nhị phân được xét trong điều kiện khoản vay trả gốc và lãi từng phần, nếu tại thời điểm đến hạn khách hàng trả nợ đúng hạn hoặc trong thời gian từ 10 ngày trở xuống thì khi đó quan sát này nhận giá trị 1 và ngược lại nhận giá trị 0.

(Y): Đại diện cho khả năng trả nợ số tiền vay.

Y = 1: Nếu khách hàng trả nợ đúng hạn.

Y = 0: Nếu khách hàng không có khả năng trả nợ đúng hạn.

Trong nghiên cứu này, các khoản nợ nhóm 3, 4, 5 được cho là không có khả năng trả nợ (Y = 0) Các khoản nợ nhóm 1, nhóm 2 được cho là có khả năng trả nợ vay và đảm bảo khoản vay (Y = 1).

Việc lựa chọn biến độc lập được tiến hành theo hai cách: Dựa trên cơ sở từ những nghiên cứu trước đây; và dựa trên cơ sở kiến thức của những chuyên gia Trong bài nghiên cứu này, tác giả dựa vào những nghiên cứu trước đây và ứng dụng các mô hình tại Việt Nam, nước ngoài đã được nghiên cứu tại chương 2.

Dựa trên mô hình nghiên cứu và mô hình định lượng đã đề xuất như trên, tác giả đưa ra các giả thuyết sau:

3.1.4 Các giả thuyết nghiên cứu

Phương pháp nghiên cứu

3.2.1Các phương pháp đưa biến độc lập vào mô hình

Có nhiều phương pháp đưa biến độc lập vào mô hình hồi quy, Bảng trình bày một số phương pháp thường gặp:

Bảng 3.3: Các phương pháp đưa biến độc lập vào mô hình

Enter Là phương pháp đưa vào bắt buộc, các biến trong khối biến độc lập được đưa vào trong một bước.

Theo phương pháp này, các biến được đưa dần vào theo điều kiện Nó kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựa trên những ước lượng thông số có điều kiện.

Forward LR Phương pháp này thực hiện bằng cách đưa dần vào các biến, kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Likelihoodratio dựa trên ước lượng khả năng xảy ra tối đa (maximumlikelihood estimates)

Là phương pháp đưa dần vào, kiểm tra việc loại biến căn cứ trên

Nguồn: Hoàng Trọng – Chu Nguyễn Mộng Ngọc (2008)

Tác giả sử dụng phương pháp Enter do đó các biến trong khối biến độc lập được đưa vào trong cùng một lúc.

Quy trình nghiên cứu được chia thành hai giai đoạn chính: Giai đoạn nghiên cứu sơ bộ và Giai đoạn nghiên cứu chính thức.

Nghiên cứu sơ bộ: hay còn gọi là giai đoạn nghiên cứu thăm dò, là giai đoạn tìm hiểu và khám phá các nghiên cứu định tính để hiệu chỉnh, chọn lọc lại các biến quan sát dùng đo lường khái niệm nghiên cứu, sàng lọc lại các biến đưa vào nghiên cứu, kiểm tra các thang đo sử dụng, qua đó xây dựng các thang đo đưa vào mô hình nghiên cứu và thiết lập bảng câu hỏi khảo sát Trên thực tế, thông tin từ bảng câu hỏi được tác giả tự tổng hợp từ hồ sơ khách hàng được lưu giữ tại TPBank – CN Bến Thành.

Nghiên cứu chính thức: là giai đoạn nghiên cứu được tiến hành dựa trên nội dung nghiên cứu chủ yếu là xây dựng mô hình Dựa trên thông tin thu thập từ hồ sơ khách hàng và cơ sở dữ liệu khách hàng của TPBank – CN Bến Thành, tác giả sử dụng phương pháp phân tích hồi quy nhị phân thông qua việc vận dụng mô hình Binary Logistic để ước lượng mô hình nhằm xác định các yếu tố ảnh hưởng đến khả năng trả nợ của KHCN tại TPBank

3.2.3Nghiên cứu định tính và nghiên cứu định lượng

Phương pháp nghiên cứu định lượng được thực hiện dựa trên cơ sở những quan sát về các yếu tố ảnh hưởng đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành.

Từ những yếu tố được nhận diện bằng phương pháp nghiên cứu định tính, phương pháp nghiên cứu định lượng sẽ đánh giá vai trò của từng yếu tố đến khả năng trả nợ của KHCN.

Nghiên cứu định tính áp dụng trong đề tài này là nghiên cứu tại bàn Nghiên cứu thực hiện khai thác các thông tin, dữ liệu thứ cấp trên các nghiên cứu trước đây, các bài báo, website, các văn bản quy định pháp luật, báo cáo của các cơ quan thống kê, chuyên môn nhằm khái quát về các nhân tố ảnh hưởng đến khả năng trả nợ vay của KHCN Đồng thời làm cơ sở để xây dựng thang đo về các yếu tố ảnh hưởng đến khả năng trả nợ của

KHCN tại TPBank – CN Bến Thành Bảng khảo sát được xây dựng dựa trên những nghiên cứu trước đây, có điều chỉnh cho phù hợp với điều kiện nghiên cứu của tác giả.

Nghiên cứu sơ bộ định lượng được thực hiện thông qua kỹ thuật phỏng vấn trực tiếp Bảng câu hỏi ban đầu với 20 người Nghiên cứu sơ bộ định lượng này đùng để đánh giá sơ bộ thang đo các khái niệm nghiên cứu, trước khi tiến hành nghiên cứu chính thức.

Nghiên cứu chính thức được thực hiện bằng cách tiếp cận, nghiên cứu định lượng thông qua Bảng câu hỏi chính thức Mục đích là dùng để kiểm định lại mô hình đo lường cũng như mô hình lý thuyết và giả thuyết trong mô hình.

Thống kê mô tả là tập hợp tất cả các phương pháp đo lường, mô tả và trình bày số liệu bằng các phép tính và các chỉ số thống kê thông thường như số trung bình (Mean), số trung vị (Median), phương sai (Variance), độ lệch chuẩn (Standard deviation) cho các biến số liên tục và các tỷ số (Proportion) cho các biến số không liên tục Trong các phương pháp thống kê, các đại lượng thống kê mô tả chỉ được tính đối với các biến định lượng.

3.2.5Phương pháp chọn mẫu và kích cỡ

Dựa trên cơ sở lý thuyết, bước đầu tác giả đã xây dựng thang đo dự kiến để đo lường các yếu tố trong mô hình nghiên cứu đã đề xuất.

Dựa trên quan điểm của Bolen, tối thiểu phải có năm quan sát trên mỗi thông số ước lượng, nghiên cứu này có tổng số thông số ước lượng là n = 12, vậy cỡ mẫu nghiên cứu tối thiểu phải đạt là 60 (tuân theo tỷ lệ 5:1) Nếu dựa trên quan điểm của Hair & cộng sự thì cỡ mẫu tối thiểu phải lớn hơn 150 Theo Anderson & Gerbing (1988), trong ứng dụng nghiên cứu thực tế, cỡ mẫu từ 150 hoặc lớn hơn thường là cần thiết để có được ước lượng các thông số với sai số chuẩn đủ nhỏ Như vậy, cỡ mẫu tối thiểu cần đạt được cho nghiên cứu này là 150 Tuy nhiên cỡ mẫu càng lớn hơn mức tối thiểu yêu cầu, thì độ tin cậy của nghiên cứu càng cao (giảm những sai lệch do lấy mẫu).

Từ những lập luận trên đây, nghiên cứu đã phát ra 300 phiếu điều tra Thu về được

292 phiếu, trong đó số hợp lệ là 280.

Nghiên cứu, dự kiến sẽ áp dụng phương pháp chọn mẫu xác suất ngẫu nhiên với kích thước mẫu là n = 280, thể hiện cho hồ sơ của 280 khách hàng.

Hồi quy Logistichay còn gọi là logit sẽ được sử dụng trong quá trình nghiên cứu. Sau khi xây dựng được mô hình hồi quy bằng phương pháp tổng bình phương nhỏ nhất, để đảm bảo sự tin cậy của mô hình xây dựng, tác giả tiến hành kiểm định một số khuyết tật như sau.

- Hiện tượng phương sai phần dư thay đổi: Tác giả sử dụng tương quan hạng Spearman để kiểm định giả thuyết phương sai phần dư thay đổi.

- Kiểm định hiện tượng đa cộng tuyến trong mô hình: Đa cộng tuyến là một hiện tượng trong đó các biến độc lập có tương quan chặt chẽ với nhau Vấn đề của hiện tượng đa cộng tuyến là chúng cung cấp cho mô hình những thông tin giống nhau và rất khó tách ảnh hưởng của từng biến một Đối với hiện tượng đa cộng tuyến, độ sai lệch cho phép (tolerance) hoặc hệ số phóng đại phương sai VIF (variance inflation factor) khi VIF nhỏ hơn hoặc bằng 2 nghĩa là các biến độc lập không có tương quan tuyến tính với nhau.

• Diễn tả các hệ số hồi quy của mô hình

Thu thập dữ liệu và xử lý dữ liệu

Những tài liệu sẽ được sử dụng trong quá trình thực hiện luận văn.

Dữ liệu thứ cấp là những tài liệu được sưu tập sẵn, đã công bố bao gồm những báo cáo, dữ liệu hiện có tại TPBank – CN Bến Thành: Các quy chế, quy định nội bộ ngành, các báo cáo định kỳ, báo cáo hàng năm về kết quả hoạt động kinh doanh, mục tiêu, chiến lược của chi nhánh trong từng giai đoạn, Báo cáo kết quả hoạt động kinh doanh TPBank – CN Bến Thành (năm 2016; 2017; 2018).

Luận văn còn sử dụng một số tài liệu bên ngoài TPBank – CN Bến Thành như: Báo cáo của phòng thống kê, UBND quận 1, Ngân hàng Nhà nước, các bài đăng trên báo, tạp chí, website của các NHTM khác, các nghiên cứu trong và ngoài nước liên quan, sử dụng làm tài liệu tham khảo cho luận văn.

Dữ liệu sơ cấp thông qua các cuộc phỏng vấn, bảng khảo sát ban lãnh đạo ngân hàng, nhân viên ngân hàng, KHCN bao gồm cả KHCN đã hết nợ, đang nợ quá hạn, trả đúng hạn và đang chưa tới hạn trả bằng các câu hỏi đã được chuẩn bị trước và in sẵn.

- Thiết kế bảng câu hỏi chính thức, in bảng câu hỏi.

- Triển khai bảng hỏi bằng cách gửi trực tiếp đến khách hàng (qua phối hợp với phòng Tín dụng và tác giả trực tiếp khảo sát qua các hồ sơ tín dụng các năm).

- Nhận lại các phiếu hỏi đã được trả lời ngay sau đó Với những trường hợp chưa rõ ràng, tác giả sẽ tiến hành gặp trực tiếp hoặc gọi điện hỏi thêm cho rõ ràng.

Bảng hỏi được chấp nhận sử dụng làm cơ sở nghiên cứu khi đã được điền đầy đủ các thông tin cần điều tra.

3.3.3Xử lý và phân tích dữ liệu

Trên cơ sở các số liệu đã được thu thập và xử lý, tác giả sẽ phân tích, đánh giá và so sánh dựa trên các chỉ tiêu nhất định để phục vụ cho việc nghiên cứu đề tài Dữ liệu sau khi thu thập được, tác giả cập nhật tổng hợp trên bảng tính Excel và phân tích.Tiêu chuẩn để so sánh thường là chỉ tiêu, kết quả của kỳ này so với kỳ trước, năm nay so với năm trước Các chỉ tiêu so sánh phải phù hợp với yếu tố không gian, thời gian, nội dung, đơn vị đo lường, phương pháp tính Tác giả sử dụng kết hợp so sánh theo tuyệt đối và so sánh tương đối tùy theo các chỉ tiêu Nhằm làm rõ sự khác biệt của đối tượng nghiên cứu.

Tác giả còn sử dụng phương pháp thống kê mô tả, lập bảng số liệu, biểu đồ để phân tích theo tỷ lệ tăng, giảm, % để thấy được mức độ biến động của các đối tượng phân tích.

Trên cơ sở lý thuyết và một số nghiên cứu thực nghiệm trình bày trong chương 2,tác giả đã xây dựng, đưa ra qui trình nghiên cứu, phương pháp nghiên cứu định lượng,định tính và các phương pháp nghiên cứu khác được áp dụng trong đề tài Những nội dung của chương 3 giúp người đọc nắm được những kiến thức tổng quát hơn về mô hình nghhiên cứu đề xuất và phương pháp nghiên cứu của tác giả, làm cơ sở để vận dụng vào phân tích, đánh giá các kết quả nghiên cứu trong chương 4 và chương 5.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Thống kê mô tả

4.1.1 Khái quát hoạt động cho vay khách hàng cá nhân

Hiện nay TPBank – CN Bến Thành, thực hiện cho vay KHCN theo đúng quy định về Quy trình cho vay đối với KHCN trong hệ thống Ngân Hàng Thương Mại Cổ Phần Tiên Phong, đảm bảo tính thống nhất trong toàn hệ thống, trình tự, thủ tục cho vay được quy định khá rõ ràng, chặt chẽ, thuận tiện, áp dụng thống nhất, đảm bảo an toàn, hiệu quả.

Trong khoảng thời gian 2016 -2018 TPBank – CN Bến Thành đã đạt được những thành tựu đáng kể trong kinh doanh, đặc biệt là trong mảng cho vay KHCN Trong giai đoạn 2016-2018, đánh dấu cột mốc Mảng cho vay KHCN đạt dư nợ trên 1,000 tỷ ( cao nhất từ trước đến nay ) Tốc độ tăng trưởng dư nợ các năm cũng tăng rất cao như: tốc độ tăng trưởng dư nợ 2016-2017 đạt 32.30% tương đương tăng 150 tỷ; tốc độ tăng trưởng dư nợ 2017-2018 đạt 34.62% tương đương tăng 214 tỷ.

TPBank – CN Bến Thành đang đẩy mạnh cho vay mua nhà, mua xe, vay tín chấp tiêu dùng, vay xây sửa nhà, vay sản xuất kinh doanh trên địa bàn TP.HCM và đang là một trong những tổ chức đang tạo được uy tín đến khách hàng.

TPBank – CN Bến Thành nói riêng và hệ thống TPBank nói chung là một trong những đơn vị tiên phong trong lĩnh vực ngân hàng số Với những sản phẩm riêng biệt như

:EBanking, LiveBank… TPBank giúp khách hàng thuận tiện trong việc giao dịch, đơn giản hóa các thủ tục thah toán mang lại những trải nghiệm tốt đến khách hàng.

Với việc luôn là một trong những chi nhánh đi đầu trong hoạt động cho vay KHCN tại hệ thống TPBank TPBank – CN Bến Thành luôn phấn đấu, nỗ lực để hoàn thành các chỉ tiêu được giao; tuy nhiên việc tăng trưởng nóng dư nợ vay KHCN đang đặt ra vấn đề, làm sao để đảm bảo được khả năng trả nợ của các khoản vay là một trong những điều mà tập thể CBNV của chi nhánh cũng rất quan tâm đến.

Về công tác tiếp thị, marketing Chi nhánh chưa thực hiện triển khai quảng cáo, tiếp thị rộng rãi nên việc tiếp cận, tìm kiếm khách hàng còn những hạn chế, sức lan tỏa chưa lớn.

Công tác chăm sóc, hỗ trợ khách hàng chưa được đầy đủ, kịp thời những nhu cầu cần thiết của khách hàng Bộ phận hướng dẫn khách hàng chỉ có 2 người nhưng lại kiêm nhiệm làm nhiều việc khác trong chi nhánh, dẫn đến việc chăm sóc khách hàng chưa được quan tâm đúng mức.

Về công tác thẩm định khách hàng chỉ dựa trên kinh nghiệm, cảm quan, phân tích truyền thống vốn nhiều khả năng cho kết quả không chính xác Chưa sử dụng những kỹ thuật phòng tránh và ngăn ngừa rủi ro chính xác thông qua các phương pháp hiện đại. Đây không phải là điểm yếu của riêng TPBank – CN Bến Thành mà hiện nay chỉ có những Ngân hàng lớn hoặc tại các Hội sở mới áp dụng phần mềm tính toán, đo lường, cảnh báo, ngăn ngừa rủi ro cho vay nhưng cũng chỉ là những ứng dụng đơn giản nhất trong số các phương pháp.

Về việc quản lý khách hàng hiện tại Chi nhánh chỉ quản lý trên hồ sơ giấy và các phần mềm lưu trữ đơn giản Còn việc kiểm tra sau vay như: mục đích sử dụng vốn, tình hình công việc của KH, địa chỉ sinh sống còn nhiều hạn chế Một cán bộ tín dụng quản lý gần 500 khách hàng, các điều kiện vay vốn mới chỉ được quan tâm trước khi ký hợp đồng, sau khi giải ngân một món vay xong lại tiếp tục món vay mới nên việc kiểm tra lại mục đích sử dụng vốn sau cho vay là khó thực hiện và chưa được triệt để.

Tình trạng cho vay không tài sản bảo đảm áp dụng tại TPBank – CN Bến Thành,nhiều món vay đến hàng trăm triệu đồng Ngân hàng chỉ phê duyệt khoản vay dựa trên uy tín và thu nhập của khách hàng mà không phải ký kết hợp đồng thế chấp hay đăng ký giao dịch bảo đảm tài sản, vì vậy khi có rủi ro cho vay xảy ra sẽ khó khăn cho ngân hàng trong trong công tác thu hồi nợ.

Ngân hàng không có hệ thống đánh giá đo lường hay dự báo trước rủi ro cho vay hoặc các tác động khi đã xảy ra rủi ro nên một thực tế là ngân hàng không có số liệu nào phản ánh mức độ rủi ro cho vay mà ngân hàng gặp phải Dẫn đến tình trạng nợ xấu còn tồn tại và con số dự phòng phải trích lập hàng năm.

Việc dự đoán và tính toán mức độ rủi ro chưa được quan tâm đúng mức Rủi ro chỉ được biết đến khi nó đã xảy ra và gây hậu quả mới tìm biện pháp xử lý.

Thống kê mô tả

4.2.1 Thống kê mô tả chung các biến độc lập tồn tại trong mô hình

Tác giả thực hiện thống kê mô tả trên cơ sở các biến tác động đến khả năng trả nợ đã được được kiểm định, còn tồn tại trong mô hình (7 biến) Thống kê mô tả chung.

Bảng 4.1: Thống kê mô tả chung các biến còn tồn tại trong mô hình

TUOI TDO TN TD LS THV KCV

Trong 280 mẫu quan sát có độ tuổi thấp nhất là 28 và cao nhất 55 tuổi, độ tuổi trung bình là 45 tuổi, điều này khá phù hợp vì đây là giai đoạn khách hàng vay có sự ổn định về công việc, nghề nghiệp, nguồn vốn và kinh nghiệm do đó khả năng trả nợ đúng hạn cao hơn khá cao.

Kích cỡ khoản vay thấp nhất là 35 triệu vì đây là khoản vay tín chấp, hạn mức cấp tín dụng dựa trên thu nhập từ lương và các khoản thu nhập ổn định của khách hàng vay. Cùng với kích cỡ khoản vay thì thu nhập của người vay tương ứng thấp nhất là 7,7 triệu và cao nhất là 17,0 triệu Thời gian vay dao động từ 5 tháng đến 15 tháng vì biến phụ thuộc được xét trong điều kiện trả gốc và lãi hàng tháng bên cạnh đó mẫu quan sát chiếm 65,71% chủ yếu vay ngắn hạn do đó thời hạn vay không dài.

Lãi suất vay trung bình dao động 6,97%/năm là khá phù hợp với các khoản vay trong những năm gần đây Trong đó lãi suất vay thấp nhất 6.2%/năm với các khách hàng được áp dụng chương trình khuyến mãi ưu đãi và lãi suất vay cao nhất 7.8%/năm Các mức lãi suất trên nằm trong giai đoạn từ 2016-2018, khi mà TPBank là một trong những ngân hàng mới, trẻ; thì việc các nhà quản trị của ngân hàng đã đưa ra những gói lãi suất ưu đãi hấp dẫn, đó là một trong những công cụ giúp cho TPBank đã có được thị phần trong thị trường cho vay KHCN làm cho tốc động tăng trưởng tín dụng trong giai đoạn này tăng khá tốt.

4.2.2 Lựa chọn mô hình tối ưu

Qua dữ liệu khảo sát thu thập đã được xử lý qua phần mềm Excel và sử dụng phần mềm SPSSS 20.0 để chạy hồi quy Binary Logistic, tác giả tiến hành phân tích hồi quy theo phương pháp Enter lần lượt như sau:

Lần 1: Đưa tất cả các biến độc lập vào mô hình Sau khi chạy dữ liệu mô hình BinaryLogistic thông qua phần mềm SPSS 20, cho kết quả như sau:

Bảng 4.2: Kết quả mô hình sau khi chạy lần

Constant -35.414 5.915 35.849 1 000 000 a Variable(s) entered on step 1: TUOI, TDO, TN, TD, LS, THV, KCV, GTINH, HN,

Từ bảng 4.2 xây dựng Mô hình 1 như sau:

Y = - 35.414 + 173TUOI + 252TDO + 461TN + 2.122TD -1.239LS + 970THV +

.051KCV + 315GTINH + 357HN + (1.685, 582, 2.246, 665)NNG + 193HTV + (1.040,

Bảng 4.2 cho thấy, mô hình này chưa được lựa chọn, vì các biến HTV có sig

(.660), Giới tính (.495), HN (.447), MD (.087), NNG (.391) có mức sig lớn hơn 0.05 do đó không có ý nghĩa thống kê Vì vậy, các biến trên sẽ bị loại khỏi mô hình Lần lượt loại từng biến không có ý nghĩa thống kê.

Loại bỏ các biến HTV ra khỏi mô hình, tiếp tục chạy mô hình với các biến còn lại.

Ta được kết quả mô hình chạy lần 2 như sau:

Constant -35.299 5.898 35.820 1 000 000 a Variable (s) entered on step 1: TUOI, TDO, TN, TD, LS, THV, KCV,

.051KCV + 319GTINH + 380HN + (1.701, 555, 2.283, 648)NNG + (1.079, 997)MD

Bảng 4.3 cho thấy, mô hình này chưa được lựa chọn, vì các biến GTINH có sig

(.489), HN (.417), NNG (.410), MD (.085) có mức sig lớn hơn 0.05 do đó không có ý nghĩa thống kê Vì vậy, các biến trên sẽ bị loại khỏi mô hình.

Loại bỏ các biến GTINH ra khỏi mô hình, tiếp tục chạy mô hình với các biến còn lại Ta được kết quả mô hình chạy lần 3 như sau:

Constant -34.658 5.768 36.105 1 000 000 a Variable(s) entered on step 1: TUOI, TDO, TN, TD, LS, THV, KCV, HN,

Y = - 34.658 + 176TUOI + 236TDO + 473TN + 2.080TD – 1.229LS +.946THV +

Bảng 4.4 cho thấy, mô hình này chưa được lựa chọn, vì các biến HN có sig (.341),

NNG (.317), MD (.084) có mức sig lớn hơn 0.05 do đó không có ý nghĩa thống kê Vì vậy, biến này bị loại khỏi mô hình.

Loại bỏ biến HN ra khỏi mô hình, tiếp tục chạy mô hình với các biến còn lại Ta được kết quả mô hình chạy lần 4 như sau:

TN TD LS THV KCV NNG NNG(1) NNG(2) NNG(3) NNG(4)

3.240 2.799 000 a Variable(s) entered on step 1: TUOI, TDO, TN, TD, LS, THV, KCV, NNG,

Bảng 4.5 cho thấy, mô hình này chưa được lựa chọn, vì các biến NNG có sig

(.404), MD (.072) có mức sig lớn hơn 0.05 do đó không có ý nghĩa thống kê Vì vậy, biến này bị loại khỏi mô hình.

Loại bỏ biến NNG ra khỏi mô hình, tiếp tục chạy mô hình với các biến còn lại Ta được kết quả mô hình chạy lần 5 như sau:

Constant -29.106 4.989 34.032 1 000 000 a Variable(s) entered on step 1: TUOI, TDO, TN, TD, LS, THV, KCV, MD.

Y = - 29.106 + 151TUOI + 243TDO + 536TN + 1.942TD – 1.293LS + 787THV +

Bảng 4.6 cho thấy, mô hình này chưa được lựa chọn, vì các biến MD có sig (.077) có mức sig lớn hơn 0.05 do đó không có ý nghĩa thống kê Vì vậy, biến này bị loại khỏi mô hình.

Loại bỏ biến MD ra khỏi mô hình, tiếp tục chạy mô hình với các biến còn lại Ta được kết quả mô hình chạy lần 6 như sau:

Constant -27.687 4.710 34.548 1 000 000 a Variable(s) entered on step 1: TUOI, TDO, TN, TD, LS, THV, KCV.

Y = - 27.687 + 0.136TUOI + 0.259TDO + 0.499TN + 1.906TD – 1.135LS + 0.731THV

Bảng 4.7 cột mức ý nghĩa (Sig.) của kiểm định Wald cho thấy: Tất cả 7 biến

(TUOI, TDO, TN, TD, LS, THV, KCV) đều có ý nghĩa thống kê ở mức sai số chuẩn hồi quy nhỏ hơn 5% nên mô hình dưới đây là mô hình được chọn lựa:

Y = - 27.687 + 0.136TUOI + 0.259TDO + 0.499TN + 1.906TD – 1.135LS + 0.731THV

Mô hình được lựa chọn trên, tất cả các biến đều có ý nghĩa thống kê ở mức sig nhỏ hơn 0.05 Như vậy, mô hình 7 biến độc lập này là mô hình tối ưu trong nghiên cứu.

Kết quả hồi quy cho thấy mối tương quan của các biến độc lập được đưa vào mô hình và biến phụ thuộc Cụ thể cho thấy lãi suất (LS) có mối quan hệ nghịch chiều với khả năng trả nợ vay của KHCN, điều này phù hợp thực tế tại TPBank – CN Bến Thành.

Các biến còn lại có mối quan hệ thuận chiều với khả năng trả nợ của KHCN tại TPBank –

Như vậy có thể thấy tuy mô hình và các biến được đưa vào mô hình là tương đồng giữa các nghiên cứu thực nghiệm mà tác giả tham khảo ở chương 2 và nghiên cứu của tác giả tại TPBank – CN Bến Thành, nhưng kết quả sự ảnh hưởng của các yếu tố là khác nhau, do đặc trưng khách hàng vay vốn tại từng địa bàn, đặc điểm riêng biệt của địa phương, quy mô Chi nhánh, đối tượng cho vay.

Phân tích tương quan và đa cộng tuyến

4.3.1 Phân tích hệ số tương quan:

Bảng 4.8: Ma trận hệ số tương quan

KNT TUOI TDO TN TD LS THV KCV

** Correlation is significant at the 0.01 level (2-tailed).

* Correlation is significant at the 0.05 level (2-tailed).

Bảng 4.8 mô tả mối tương quan giữa các biến độc lập với biến phụ thuộc trong mô hình, các biến có hệ số sig nhỏ hơn 0.05, điều có có nghĩa các biến độc lập có sự tương quan với biến phụ thuộc.

4.3.2 Kiểm định hiện tượng đa cộng tuyến Đa cộng tuyến đề cập đến sự tồn tại của nhiều hơn một mối quan hệ tuyến tính chính xác, và cộng tuyến là nói đến sự tồn tại duy nhất một mối quan hệ tuyến tính.

Nhưng sự phân biệt này hiếm khi tồn tại trong thực tế, và đa cộng tuyến được dùng cho cả hai trường hợp Hiện tượng đa cộng tuyến sẽ dẫn đến các kết quả không tốt cho mô hình hồi quy.

- Khoảng tin cậy của hệ số hồi quy rộng hơn.

- Hệ số R2 cao nhưng tỷ số t ít có ý nghĩa.

- Dấu của các ước lượng của các hệ số hồi quy có thể sai.

- Thêm vào hay bớt đi các biến cộng tuyến với các biến khác, mô hình sẽ thay đổi về dấu hoặc thay đổi về độ lớn của các ước lượng Do đó, trước khi tiến hành phân tích hồi quy, tác giả thực hiện kiểm định hiện tượng đa cộng tuyến, nghiên cứu sẽ sử dụng nhân tử phóng đại phương sai (variance inflation factor –VIF) để phát hiện hiện tượng đa cộng tuyến Nếu hệ số VIF có giá trị lớn hơn 10, sẽ có vấn đề về đa cộng tuyến (Field 2000,

Hoàng Trọng và Chu Nguyễn Mộng Ngọc 2008).

Bảng 4.9: Kiểm định hiện tượng đa cộng tuyến

Qua bảng 4.9 cho thấy, các biến độc lập trong mô hình đều có hệ số VIF trong bảng có giá trị dưới 10, nên không có hiện tượng đa cộng tuyến xuất hiện trong mô hình Do đó tác giả tiến hành phân tích hồi quy.

Kiểm định hồi quy

4.4.1 Kiểm định độ phù hợp của mô hình

Ngoài các kiểm định trên, khi phân tích hồi quy Binary Logistic, kết quả từ phần mềm SPSS 20.0 đồng thời đưa ra bảng Model Summary dùng để kiểm định mức độ phù hợp của mô hình tổng quát.

Qua bảng trên cho thấy, hệ số mức độ giải thích của mô hình: R2 Nagekerke 0.698 Điều này có nghĩa là 69,8% sự thay đổi của biến phụ thuộc được giải thích bởi 7 biến độc lập trong mô hình, còn lại là do các yếu tố khác.

Như vậy, từ kết quả kiểm định ý nghĩa của các hệ số hồi quy, độ phù hợp và mức độ giải thích của mô hình cho thấy 7 biến TUOI, TDO, TN, TD, LS, THV, KCV đều có ý nghĩa thống kê ở mức sai số chuẩn hồi quy 5% và mô hình lần 6 là mô hình có độ phù hợp tối ưu được sử dụng để đo lường các yếu tố ảnh hưởng đến khả năng trả nợ của KHCN tại

– CN Bến Thành, mặt khác mô hình có thể sử dụng với mục đích dự báo.

4.4.2 Kiểm định ý nghĩa thống kê của các hệ số

Bảng số trên, cho biết kiểm định Wald về ý nghĩa của các hệ số hồi quy tổng thể của các biến Tuổi, Trình độ, Thu nhập, Tiêu dùng, Lãi suất, Thời hạn vay, Quy mô khoản vay Tất cả các biến này đều có mức sig nhỏ hơn 0.05 nên ta bác bỏ giả thuyết Ho.

4.4.3 Kiểm định mức độ phù hợp tổng quát

Bảng 4.11: Mức độ phù hợp tổng quát

Kết quả kiểm định giả thuyết về độ phù hợp tổng quát ở bảng trên có mức ý nghĩa với số quan sát sig = 0.000 nên ta bác bỏ giả thuyết Ho (mục 4.4.2).

4.4.4 Mức độ dự báo khả năng trả nợ của TPBank – CN Bến Thành

Bảng 4.12 Kết quả dự báo khả năng trả nợ của TPBank

Bảng 4.12 cho thấy mức độ dự báo chính xác của mô hình, trong 145 trường hợp khách hàng trả trễ thì mô hình dự đoán đúng 116, chiếm 80% Còn trong 135 trường hợp khách hàng trả nợ đúng hạn thì mô hình dự đoán đúng 118 trường hợp chiếm 87,4% Do đó, tỷ lệ dự báo đúng của toàn bộ mô hình là 83,6%.

Vận dụng mô hình hồi quy binary logistic cho mục đích dự báo khoản vay

Từ công thức số 4.1, viết lại mô hình Binary Logistic đo lường khả năng trả nợ của KHCN tại TPBank – CN Bến Thành như sau:

E(Y = 1/X) e- 27.687 + 0.136TUOI + 0.259 TDO + 0.499 TN + 1.906 TD – 1.135 LS + 0.731 THV + 0.043 KCV

1+ e- 27.687 + 0.136 TUOI + 0.259 TDO + 0.499 TN + 1.906 TD – 1.135 LS + 0.731 THV +0.043

Với công thức trên, ta có thể tính được khả năng trả nợ của KHCN để từ đó có cơ sở đưa ra quyết định cho vay đối với KHCN có nhu cầu vay vốn Dựa vào mô hình có thể giúp ngân hàng nâng cao chất lượng phân tích tín dụng, hạn chế đưa ra những quyết định sai lầm trong cấp tín dụng, giảm thiểu rủi ro, đảm bảo an toàn trong hoạt động Hơn nữa, áp dụng mô hình định lượng có thể lượng hóa được rủi ro trong phân tích tín dụng, giúp đưa ra quyết định chính xác hơn, khách quan hơn, tránh tình trạng phê duyệt cho vay theo cảm tính Mô hình này giúp giảm thiểu rủi ro không chỉ trước khi cho vay mà còn có thể áp dụng sau khi cho vay.

Ví dụ vận dụng mô hình hồi quy để ra quyết định cấp tín dụng cho KHCN:

Một KHCN A, B chưa có quan hệ tín dụng với ngân hàng đến vay vốn, có thông tin khách hàng như sau:

7 Qui mô vay (KCV) 41 69 Áp dụng công thức 4.2, tính được xác suất trả nợ của khách hàng A như sau: E(Y=1X) e- 27.687 + 0.136*51 + 0.259*7 + 0.499*9.8 + 1.906*5 – 1.135*6.8 + 0.731*10 +0.043*41

Khách hàng A có khả năng trả nợ đúng hạn với 0,0406, do đó ngân hàng không thể xem xét cấp tín dụng, vì 0,0406 < 0.5 mặc dù khách hàng đang có quan hệ vay vốn tại TPBank – CN Bến Thành.

Khách hàng B có khả năng trả nợ là 0,8970 do đó ngân hàng có thể cấp tín dụng, vì 0,8970 > 0.5 nếu khách hàng đang có quan hệ vay vốn tại TPBank – CN Bến Thành.

Qua 2 ví dụ trên cho thấy, áp dụng hồi qui Binary Logistic trong hoạt động cho vay đối với KHCN nói riêng, cho vay nói chung có ý nghĩa lớn trong hoạt động tín dụng tại TPBank – CN Bến Thành.

Qua kết quả của mô hình hồi qui Binary Logistic, cho thấy mô hình đã dự đoán đúng với tỉ lệ là 83.6% và cũng đã lượng hóa được mức độ của từng yếu tố đến khả năng trả nợ của KHCN Từ những kết quả trên, mô hình cũng góp phần là một trong những công cụ thẩm định của đơn vị, giúp cán bộ tín dụng xem xét khả năng trả nợ của KHCN trước khi ra quyết định chính thức về việc có cho vay đối với từng khách hàng hay không

Câu hỏi thứ nhất, 7 yếu tố được xác định có ảnh hưởng đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành là “Tuổi”, “Trình độ” , “Thu nhập”, “Tiêu dùng”,

“Giá trị khoản vay”, “Thời hạn vay”, “Lãi suất” Tiếp theo trả lời câu hỏi “ mức độ ảnh hưởng như thế nào, đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành, cần so sánh hệ số hồi quy của các biến độc lập trong mô hình nghiên cứu, cụ thể từ phương trình hồi quy:

KNT = - 27.687 + 0.136 TUOI + 0.259 TDO + 0.499 TN + 1.906 TD – 1.135 LS + 0.731 THV + 0.043 KCV

Qua đó, cho thấy những biến có tác động nhiều nhất đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành lần lượt là:

- Biến “Tiêu dùng” có hệ số hồi quy cao nhất là 1.906 Do đó, tác động của biến này đến biến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành là lớn nhất;

- Biến có tác động lớn thứ hai đến biến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành là biến “Lãi suất” với hệ số hồi quy là – 1.135;

- Biến “Thời hạn vay” có hệ số hồi quy lớn thứ ba là 0.731 nên biến này có tác động lớn thứ ba đến biến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành;

Tiếp theo biến “Kích cỡ khoản vay” có tác động đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành thấp nhất, với hệ số hồi quy 0.043.

Câu hỏi thứ ba của đề tài nghiên cứu sẽ được làm rõ trong chương 5.

Thông qua phương pháp thống kê mô tả, phân tích hồi quy và phân tích đa cộng tuyến, tác giả sử dụng phần mềm SPSS 20.0 nhằm thiết lập mô hình nghiên cứu hồi quy tối ưu với 8 biến độc lập có ý nghĩa thống kê bao gồm: Tuổi, Trình độ, Thu nhập, Tiêu dùng, Lãi suất, Thời hạn vay, Quy mô khoản vay Đồng thời kiểm định của mô hình cũng cho thấy độ phù hợp và ý nghĩa của các biến cũng như mức độ tác động biên và kỳ vọng dấu của từng biến độc lập đến khả năng trả nợ của KHCN tại TPBank – CN Bến Thành.Trong đó, biến Tiêu dùng có tác động mạnh nhất kỳ vọng dấu của biến phù hợp với giả thuyết trong khi đó biến kích cỡ khoản vay có tác động thấp nhất kỳ vọng dấu phù hợp với giả thuyết của mô hình Bên cạnh đó, chương còn đưa ra khả năng vận dụng mô hình hồi qui Binary Logistic cho mục đích dự báo khi xác định cho vay đối với KHCN về khả năng trả nợ để người đọc có cái nhìn khái quát về toàn bộ mô hình Đồng thời cũng là một trong những cơ sở quan trọng đề xuất trong chương 5.

Định dạng
Số trang	80
Dung lượng	143,48 KB