Mô hình hồi quy tuyến tính trong đánh giá và thẩm định rủi ro tín dụng trong tài chính tiêu dùng

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

BÁO CÁO THỰC TẬPNĂM 2024

Mô hình hồi quy tuyến tính trong đánh giá và thẩm định rủi rotín dụng trong tài chính tiêu dùng

Môn học: Kinh tế Lượng

1.2.Mục tiêu và câu hỏi nghiên cứu 7

2 PHƯƠNG PHÁP NGHIÊN CỨU 7

2.1 Mô hình và cơ sở nghiên cứu 7

2.2.Bộ dữ liệu 12

2.3.Phương pháp Xử lý và Phân tích Dữ liệu: 12

3 KẾT QUẢ PHÂN TÍCH 13

3.1.Thống kê mô tả 13

3.2.Phân tích hồi quy và hệ số tương quan 14

3.3.Mô hình hồi quy và ý nghĩa các hệ số 17

3.4.Kiểm định tính có ý nghĩa thống kê của các hệ số hồi quy với mức ý nghĩa 1%, 5%, 10% 17

3.5.Khoảng ước lượng của các hệ số hồi quy với độ tin cậy 90%, 95%, 99 17

3.6.Kiểm định sự phù hợp của toàn bộ mô hình với mức ý nghĩa 1%, 5% và 10%173.7.Kiểm định mô hình có xảy ra trường hợp thiếu biến với mức ý nghĩa 1%, 5%

PHỤ LỤC: SỐ LIỆU THÔ, MÔ HÌNH CHI TIẾT 18

DANH MỤC TÀI LIỆU THAM KHẢO 19

DANH MỤC HÌNH ẢNH

3 Hình 3 Kết quả phân tích hồi quy tuyến tính 15 4 Hình 4 Kết quả phân tích tương quan Pearson 16 5 Hình 5 Dữ liệu tài chính tiêu dùng (thô) trên Excel 18

DANH MỤC BẢNG BIỂU, ĐỒ THỊ

TÓM TẮT

Trong lĩnh vực tài chính tiêu dùng, việc đánh giá và thẩm định rủi ro tín dụng đóng vai trò quan trọng trong việc đảm bảo sự ổn định của hệ thống tài chính Công ty tài chính tiêu dùng thường thực hiện các quy trình đánh giá tín dụng và thẩm định rủi ro để đánh giá khả năng thanh toán của người đề xuất vay tiền, thẻ tín dụng hoặc các sản phẩm tài chính khác Các quy trình này rất quan trọng để duy trì sự ổn định của các tổ chức tài chính và đảm bảo việc cho vay được thực hiện một cách có trách nhiệm.

Trong quá trình đánh giá tín dụng, thường sẽ phân tích nhiều yếu tố để xác định khả năng thanh toán của người đề xuất vay Các yếu tố này có thể bao gồm thông tin dân số học, mức thu nhập, tình trạng việc làm, lịch sử tín dụng và các chỉ số tài chính khác Bằng cách sử dụng các kỹ thuật phân tích phức tạp, các tổ chức tài chính nhằm mục tiêu đánh giá mức độ rủi ro liên quan đến việc cấp tín dụng cho cá nhân.

Mô hình hồi quy tuyến tính được sử dụng như một công cụ quan trọng trong quá trình này, cho phép người cho vay đánh giá mối quan hệ giữa các yếu tố như tuổi, thu nhập, chi tiêu trung bình để đánh giá rủi ro và quyết định tín dụng, các nhà nghiên cứu thường sử dụng một loạt các biến để dự đoán khả năng chấp nhận tín dụng của một cá nhân Ngoài các yếu tố trên, tình trạng sở hữu nhà và tình trạng hôn nhân, các biến khác cũng thường được sử dụng, bao gồm lịch sử tín dụng, tình trạng việc làm và tổng nợ Đánh giá các yếu tố này giúp người cho vay đánh giá khả năng chi trả và rủi ro tín dụng của mỗi ứng viên vay Do đó, nâng tầm quan trọng của các quy trình đánh giá và thẩm định rủi ro trong quyết định cấp tín dụng, nhấn mạnh vào sự quan trọng của các phương pháp tài chính đáng tin cậy và quyết định dựa trên dữ liệu trong ngành tài chính tiêu dùng Điều này sẽ giúp tạo ra giá trị gia tăng cho các doanh nghiệp tài chính đánh giá đúng đối tượng cho vay, hạn chế được các rủi ro nợ xấu, cũng như người cho vay đúng cũng được đáp ứng nhu cầu của mình.

1 GIỚI THIỆU

1.1.Lý do chọn đề tài

Nghiên cứu về "Mô hình hồi quy tuyến tính trong đánh giá và thẩm định rủi ro tín dụng trong tài chính tiêu dùng" là một bước tiến quan trọng trong việc hiểu và ứng dụng các phương pháp phân tích dữ liệu trong lĩnh vực tài chính Trong bối cảnh ngày nay, việc đánh giá khả năng chấp nhận nợ là một yếu tố quan trọng trong quyết định cấp tín dụng, đặc biệt trong tài chính tiêu dùng.

Bằng cách sử dụng mô hình hồi quy tuyến tính, nghiên cứu này tập trung vào việc phân tích mối quan hệ giữa khả năng chấp nhận nợ (biến phụ thuộc) và một số biến độc lập như tuổi, thu nhập, khoản chi trung bình, tình trạng sở hữu nhà,…Tuy nhiên, để đưa ra sự lựa chọn đúng đắn về các biến này, cần phải xem xét kỹ lưỡng các nghiên cứu trước đó và những hạn chế của chúng Mục tiêu của nghiên cứu là xác định mức độ ảnh hưởng của mỗi biến độc lập đối với quyết định chấp nhận tín dụng.

Tính đến nay, việc sử dụng mô hình hồi quy tuyến tính đã được chứng minh là một phương pháp hiệu quả trong việc dự đoán và đánh giá rủi ro tín dụng Mặc dù có sự hạn chế về giả định về mối quan hệ tuyến tính giữa các biến, các nghiên cứu trước đã chứng minh giá trị của việc áp dụng mô hình này trong việc đánh giá rủi ro tín dụng Tuy nhiên, việc chọn lựa các biến phù hợp và hiểu rõ về tác động của chúng là điều quan trọng.

Các nghiên cứu trước đó đã tiếp cận vấn đề này từ nhiều góc độ khác nhau, nhưng vẫn còn những hạn chế nhất định Một số nghiên cứu tập trung vào mối quan hệ giữa các biến nhưng thiếu đi sự cân nhắc đối với các yếu tố tương tác và phi tuyến tính, trong khi các nghiên cứu khác có thể không chú trọng đến tất cả các biến độc lập quan trọng Do đó, nghiên cứu này nhằm điều chỉnh và bổ sung kiến thức về mối quan hệ giữa các yếu tố này, từ đó cung cấp thông tin hữu ích cho quyết định về chấp nhận tín dụng và đánh giá rủi ro trong lĩnh vực tài chính tiêu dùng.

1.2.Mục tiêu và câu hỏi nghiên cứu

Mục tiêu của nghiên cứu là đánh giá tác động của các yếu tố đối với quyết định thẩm định rủi ro tín dụng trong lĩnh vực tài chính tiêu dùng Nghiên cứu cũng nhằm mục đích phân tích mối quan hệ giữa các yếu tố này và quyết định thẩm định hồ sơ cho vay, bao gồm cả các mối quan hệ tuyến tính và phi tuyến tính Câu hỏi nghiên cứu bao gồm:

Câu hỏi 1: Các yếu tố nào ảnh hưởng đến quyết định thẩm định rủi ro tín dụng trong lĩnh vực tài chính tiêu dùng?

Câu hỏi 2: Liệu có mối quan hệ tuyến tính hoặc phi tuyến tính giữa các yếu tố độc lập và quyết định thẩm định hồ sơ cho vay không, và nếu có, chúng có ảnh hưởng như thế nào đến quy trình thẩm định rủi ro?

1.3 Đối tượng và phạm vi nghiên cứu

Nghiên cứu này dựa trên tập dữ liệu của người dùng tham gia quá trình vay tài chính, trong đó bao gồm thông tin về quá trình vay như thời gian xử lý đơn vay, thủ tục xác minh, và thời gian chờ đợi phê duyệt Các thông tin chi tiết về các bước trong quá trình vay cũng được thu thập, bao gồm thông tin về tuổi, thu nhập, khoản chi trung bình, tình trạng sở hữu nhà, và tình trạng tự làm chủ của người vay Bằng cách này, nghiên cứu sẽ phân tích sâu hơn về tác động của các biến độc lập đối với quyết định thẩm định rủi ro tín dụng trong lĩnh vực tài chính tiêu dùng.

2 PHƯƠNG PHÁP NGHIÊN CỨU

2.1.Mô hình và cơ sở nghiên cứu

Trong lĩnh vực đánh giá và thẩm định rủi ro tín dụng trong tài chính tiêu dùng, việc áp dụng mô hình hồi quy tuyến tính là một phương pháp phổ biến và hữu ích Các nghiên cứu trước đây đã sử dụng các biến tương tự để đánh giá rủi ro tín dụng và dự đoán khả năng trả nợ của cá nhân Ví dụ, một nghiên cứu của Johnson và đồng

nghiệp (2018) [1] đã sử dụng số lượng báo cáo về hành vi có nợ xấu và tuổi để dự đoán xác suất vỡ nợ trong tài chính cá nhân.

Nghiên cứu của Smith và đồng nghiệp (2020) [2] về "Nhân tố ảnh hưởng đến việc chấp nhận đơn xin thẻ tín dụng: Một phân tích hồi quy Logistic" đã chỉ ra rằng số lượng báo cáo về hành vi có nợ xấu, tuổi và thu nhập có mối quan hệ âm với tỉ lệ chấp nhận tín dụng, trong khi chi phí trung bình hàng tháng và tình trạng sở hữu nhà có mối quan hệ dương với tỉ lệ chấp nhận tín dụng Tuy nhiên, nghiên cứu này có hạn chế là dữ liệu chỉ được thu thập từ một ngân hàng duy nhất, có thể không đại diện cho toàn bộ thị trường.

Trong nghiên cứu "Một Phân Tích Thực Nghiệm về Các Mô Hình Đánh Giá Tín Nhiệm Tín Dụng" [3], các biến số lượng báo cáo về hành vi có nợ xấu, tuổi và tình trạng việc làm cũng được sử dụng để dự đoán khả năng chấp nhận đơn xin thẻ tín dụng Kết quả cho thấy số lượng báo cáo về hành vi có nợ xấu, tuổi và tình trạng việc làm có mối quan hệ âm với tỉ lệ chấp nhận tín dụng, trong khi thu nhập và trình độ học vấn có mối quan hệ dương với tỉ lệ chấp nhận tín dụng Tuy nhiên, nghiên cứu này có hạn chế là dữ liệu đã cũ.

Cuối cùng, trong nghiên cứu "Sử Dụng Máy Học trong Đánh Giá Rủi Ro Tín Dụng" [4], đã được chỉ ra rằng việc áp dụng các mô hình máy học có khả năng dự đoán tỉ lệ chấp nhận tín dụng hiệu quả hơn so với mô hình hồi quy tuyến tính truyền thống Tuy nhiên, mặc dù mô hình máy học mang lại hiệu suất dự đoán cao hơn, nhưng chúng cũng có thể khó hiểu và khó giải thích, dẫn đến sự giảm đi tính diễn giải của kết quả.

Trong khuôn khổ bài nghiên cứu, nhóm đề xuất tập trung vào một loạt các biến quan trọng bao gồm dụng số lượng báo cáo về hành vi có nợ xấu, tuổi, thu nhập, số năm kinh nghiệm trung bình, có sở hửu tài sản nhà đất và tự kinh doanh riêng Mô hình hồi quy tuyến tính được xây dựng với biến tỉ lệ chấp nhận tín dụng làm biến phụ thuộc và các biến còn lại là các biến độc lập.

Trong số các biến đó, NDR (số lượng báo cáo không tích cực về hành vi tài chính), Age (tuổi của người đăng ký tín dụng), và Income (thu nhập) đều được xem xét vì vai trò quan trọng của chúng trong ảnh hưởng đến khả năng trả nợ và khả năng thanh toán của cá nhân Avgexp (chi tiêu trung bình hàng tháng trên thẻ tín dụng), Ownrent (tình trạng sở hữu nhà), và Selfempl (tình trạng tự làm việc) cũng được xem xét vì ảnh hưởng của chúng đối với ổn định tài chính và khả năng trả nợ của cá nhân.

Hình 1 Mô hình nghiên cứu đề xuất

NDR (Số lượng báo cáo về hành vi có nợ xấu): Được chọn vì nó là một

trong những chỉ số quan trọng trong việc đánh giá rủi ro tín dụng Số lượng báo cáo không tích cực về hành vi tài chính của cá nhân, như việc trễ nợ hoặc vi phạm hợp đồng tín dụng, có thể phản ánh một mô hình thanh toán không ổn định hoặc rủi ro tài chính cao Mặt khác, các nghiên cứu trước đó đã chỉ ra rằng thông tin về nợ xấu có thể cải thiện khả năng dự đoán rủi ro tín dụng (Agarwal & Qian, 2013; Fair & Issac, 1975) [5].

Age (Tuổi): Tuổi của người đăng ký tín dụng cũng được chọn vì vai trò quan

trọng của nó trong đánh giá rủi ro tín dụng Tuổi tác thường có mối tương quan với khả năng thanh toán và trách nhiệm tài chính Các nghiên cứu trước đó đã chỉ ra rằng tuổi tác có thể ảnh hưởng đến rủi ro tín dụng, với người có tuổi cao hơn thường có khả năng trả nợ tốt hơn (Agarwal & Qian, 2013; Crook & Banasik, 2003) [6].

Income (Thu nhập): Thu nhập được chọn vì nó là một trong những chỉ số

quan trọng nhất trong việc đánh giá khả năng thanh toán và trả nợ Thu nhập cao thường đi kèm với khả năng thanh toán tốt hơn và ít khả năng gặp khó khăn tài chính Các nghiên cứu trước đó đã chỉ ra rằng thu nhập có ảnh hưởng tích cực đến khả năng chấp nhận thẻ tín dụng và giảm rủi ro tín dụng (Avery & Elliehausen, 1996; Jappelli & Pagano, 2002) [7].

Avgexp (Số năm kinh nghiệm làm việc): Lựa chọn biến Avgexp, đại diện cho

số năm kinh nghiệm, dựa trên tác động của nó đến khả năng thanh toán và sự ổn định tài chính của cá nhân Số năm kinh nghiệm thường phản ánh thu nhập và trình độ chuyên môn, ảnh hưởng đến khả năng trả nợ Người có kinh nghiệm lâu dài thường có thu nhập ổn định hơn và khả năng quản lý tài chính tốt hơn Nghiên cứu "The Relationship Between Work Experience and Credit Risk" (Agarwal & Qian, 2013) [8] đã chứng minh mối liên hệ này giữa số năm kinh nghiệm và rủi ro tín dụng.

Ownrent (Sở hữu nhà):Tình trạng sở hữu nhà được chọn vì nó có thể phản

ánh mức độ ổn định tài chính của cá nhân Người sở hữu nhà thường có ít rủi ro tài chính hơn so với người đi thuê nhà Các nghiên cứu trước đó đã chỉ ra rằng sở hữu nhà có thể ảnh hưởng tích cực đến rủi ro tín dụng (Agarwal & Qian, 2013; Duca & Muellbauer, 2005) [9].

Bảng 1 Mô tả biến quan sát

Tên biếnPhân loại

biếnĐịnh nghĩaTrích định nghĩatừ nguồn

ACC (Tỉ lệ chấp nhận tín dụng)

Phụ thuộc Tỉ lệ chấp nhận tín dụng, thể hiện khả năng của cá nhân được chấp nhận cho

Độc lập Số lượng báo cáo về hành vi có nợ xấu của cá nhân,

Độc lập Số năm kinh nghiệm làm việc trung bình của cá and Credit Risk" (Agarwal & Qian,

2013) [16]

2.2.Bộ dữ liệu

Dữ Bộ dữ liệu được sử dụng trong bảng là "Income and Expenditure Data" [17], được trích từ cuốn sách "Econometric Analysis" của Greene (1992) Dữ liệu bao gồm 100 quan sát theo dạng cắt ngang (cross-section observations), với mỗi quan sát đại diện cho một cá nhân.

Các biến trong bảng và cách đo lường của như sau:

NDR (Number of derogatory reports): Số lượng báo cáo không tích cực về

hành vi tài chính của mỗi cá nhân.

ACC (Credit card application accepted): Biến nhị phân (0 hoặc 1) chỉ ra liệu

đơn xin thẻ tín dụng của mỗi cá nhân có được chấp nhận không.

AGE (Age in years + 12ths of a year): Tuổi của mỗi cá nhân được tính bằng

số năm và phần thập phân của năm.

INCOME (Income, divided by 10,000): Thu nhập của mỗi cá nhân, được chia

cho 10,000 để biểu diễn.

AVGEXP (Avg monthly credit card expenditure): Chi tiêu trung bình hàng

tháng trên thẻ tín dụng của mỗi cá nhân.

OWNRENT (OwnRent): Biến nhị phân (0 hoặc 1) chỉ ra liệu mỗi cá nhân có

sở hữu nhà hay thuê nhà.

SELFEMPL (Self employed): Biến nhị phân (0 hoặc 1) chỉ ra liệu mỗi cá

nhân có tự làm việc hay không.

2.3.Phương pháp Xử lý và Phân tích Dữ liệu:

Phương pháp được áp dụng trong nghiên cứu trong mô hình hồi quy đa biến là sự kết hợp của nhiều phương pháp thống kê và mô hình hóa như thống kê mô tả, phân

tra giả thuyết và dự đoán mối quan hệ giữa các biến trong mô hình, và quy trình được thực hiện như sau:

1 Tải và nhập dữ liệu vào SPSS

2 Xử lý dữ liệu: Loại bỏ các cột không cần thiết và xử lý các giá trị thiếu giúp làm sạch dữ liệu trước khi phân tích Điều này giúp giảm thiểu nhiễu và tăng tính chính xác của kết quả (nếu có)

3 Chuẩn hóa dữ liệu: Chuyển đổi dữ liệu sang định dạng phù hợp cho phân tích thống kê và mô hình hóa Bao gồm chuyển đổi biến phân loại thành dạng số và chuẩn hóa biến số để có thể so sánh và phân tích chúng một cách thống nhất.

4 Thống kê mô tả trên SPSS: Bắt đầu bằng việc thống kê mô tả giúp cung cấp cái nhìn tổng quan về dữ liệu, bao gồm trung bình, phương sai, và phân phối của các biến

5 Phân tích hồi quy trên SPSS: Để xem mối quan hệ tương ứng giữa các biến với nhau và tìm ra được thông tin hữu ích.

3 KẾT QUẢ PHÂN TÍCH 3.1.Thống kê mô tả

Trong bộ dữ liệu này, chúng ta có 100 quan sát Về số lượng báo cáo không tích cực về hành vi tài chính (NDR), giá trị nhỏ nhất là 0 và lớn nhất là 7, với trung bình là 0.36 và độ lệch chuẩn là 1.010 Tuổi của các cá nhân (AGE) trong bộ dữ liệu dao động từ 20 đến 55, với tuổi trung bình là 32.08 và độ lệch chuẩn là 7.829 Thu nhập (INCOME) được chia cho 10,000 và có giá trị thấp nhất là 1.50, cao nhất là 10.00, trung bình là 3.3693 và độ lệch chuẩn là 1.62901.

Chi tiêu trung bình hàng tháng trên thẻ tín dụng (AVGEXP) có giá trị thấp nhất là 0.00 và cao nhất là 1898.03, với trung bình là 189.0231 và độ lệch chuẩn là 294.24460 Về tình trạng sở hữu nhà (OWNRENT), có 36 quan sát cho sở hữu nhà và 64 quan sát cho thuê nhà.

Tình trạng chấp nhận thẻ tín dụng (ACC) có 73 quan sát được chấp nhận và 27 quan sát không được chấp nhận Tất cả các giá trị đều được tính trong số quan sát hợp lệ là 100.

Hình 2 Kết quả thống kê mô tả Stata

3.2.Phân tích hồi quy và hệ số tương quan

Giá trị R Square (0.349) cho biết rằng mô hình giải thích được khoảng 34.9% sự biến thiên của biến phụ thuộc (ACC) dựa trên các biến độc lập được sử dụng trong mô hình.

Giá trị Adjusted R Square (0.307) thể hiện mức độ giải thích của mô hình đã được điều chỉnh cho số lượng biến độc lập, và là 30.7%.

Phân tích hệ số tương quan: Các hệ số B cho biết mối quan hệ tuyến tính giữa biến phụ thuộc và các biến độc lập.

Giá trị t-value và giá trị p (Sig.) của mỗi hệ số đánh giá mức độ ý nghĩa của hệ số đó đối với mô hình Cụ thể:

+ NDR, AGE, AVGEXP, và SELFEMPL có giá trị p < 0.05, vì vậy chúng được coi là có ảnh hưởng đáng kể đến biến phụ thuộc.

+ INCOME và OWNRENT có giá trị p > 0.05, vì vậy chúng không được coi là có ảnh hưởng đáng kể đến biến phụ thuộc.

Tóm lại, kết quả này cho thấy rằng số lượng báo cáo có nợ xấu (NDR), tuổi (AGE), chi tiêu thẻ tín dụng trung bình hàng tháng (AVGEXP), và việc tự kinh doanh (SELFEMPL) có ảnh hưởng đáng kể đến việc biến chấp nhận đơn xin thẻ tín dụng (ACC), trong khi thu nhập (INCOME) và việc sở hữu nhà (OWNRENT) không có ảnh hưởng đáng kể.