DAI HOC QUOC GIA TP.HCM
TRUONG DAI HQC KINH TE - LUAT
BAO CAO THUC TAP
Trang 2MUC LUC
DANH MỤC HÌNH ẢNH - S5 S12 SH HH HH tt n2 H21 121g 3 DANH MỤC BẢNG BIÊU, ĐỎ THỊ - 55 SH HH H211 21g yg 4
"uy 5
I GIOT THIBU ooo cies ccccccccceeccssesessessssssecssesssesssessseessessesssnsaseessessressesessseseesseseeseetes 6 1.1 - Lý do chọn đề tài 5c TH HH HH 1tr HH tt gang 6
1.2 Mục tiêu và câu hỏi nghiên cứu - - - c2 12111213211 1113111111111111118121 511211 111 re 72 PHƯƠNG PHÁP NGHIÊN CỨU óc 222 21tr 7
2.1 Mô hình và cơ sở nghiên cỨu - - - 2c 2 12113213213 111111 1515215111121 5112112 11 xkp 7
3 KÉT QUÁ PHÂN TÍCH :: 222222 n2 tre 13
k(CddẰẮẰỒIỒIỒIẶIẶIẶIẶẮẶẮẶẮẶẮẶỒỀỒỶỒ.dẢdAẢẢ 13
3.7 _ Kiểm định mô hình có xảy ra trường hợp thiếu biến với mức ý nghĩa 1%, 5% VA LOM — âB 17
250v vn ốe 17
ÄV 0n (81 0n" .a 17
A, KẾT LUẬN SH HH HH HH HH HH2 nn H21 17 PHỤ LỤC: SÓ LIỆU THÔ, MÔ HÌNH CHI TIẾT 22 2s 2E 111221121 2tr ru 18 DANH MỤC TÀI LIỆU THAM KHẢO 2 5 S1 EE11211,21122 21.21 re ru 19
Trang 3DANH MUC HINH ANH
3 | Hình 3 Kết quả phân tích hồi quy tuyến tính l5
5 | Hình 5 Dữ liệu tài chính tiêu dùng (thô) trên Excel 18
Trang 4
DANH MUC BANG BIEU, DO THI
Trang 5TOM TAT
Trong lĩnh vực tài chính tiêu đùng, việc đánh giá và thâm định rủi ro tín dụng đóng vai trò quan trọng trong việc đảm bảo sự ôn định của hệ thống tài chính Công ty tài chính tiêu đùng thường thực hiện các quy trình đánh giá tín dụng và thâm định rủi ro để đánh giá khả năng thanh toán của người để xuất vay tiền, thẻ tín dụng hoặc các sản phẩm tài chính khác Các quy trình này rất quan trọng đề duy trì sự ôn 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 đề xác định khả năng thanh toán của người đề xuất vay Các yếu tô này có thế 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 Băng cách sử dụng các kỹ thuật phân tích phức tạp, các tổ chức tài chính nhằm mục tiêu đánh giá mức đệ rủi ro liên quan đên việc câp tín dụng cho cả 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 mỗi quan hệ giữa các yếu tố như tuôi, thu nhập, chi tiêu trung bình đề 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 tổ 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 tô 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 thâm định rủi ro trong quyết định cấp tín dụng, nhắn mạnh vào sự quan trọng của các phương pháp tài chính đáng tin cậy và quyết định đựa 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
Trang 61 GIOI THIEU
1.1 Ly do chon dé tai
Nghiên cứu về "Mô hình hồi quy tuyến tính trong đánh giá và thâm định rủi ro tín dụng trong tài chính tiêu dùng" là một bước tiễn quan trọng trong việc hiểu và ứng dụng các phương pháp phân tích đữ 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
Bang 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, tỉnh 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 mỗi 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 biển phù hợp và hiểu rõ về tác động của chúng là điều quan trọng
Các nghiên cứu trước đó đã tiếp cận vấn để này từ nhiều góc độ khác nhau, nhưng vẫn còn những hạn chế nhất định Một số nghiên cứu tập trung vào mỗi quan hệ giữa các biến nhưng thiếu đi sự cân nhắc đối với các yếu tô tương tác và phi tuyến tính, trong khi các nghiên cứu khác có thê không chú trọng đến tat cả các biến độc lập quan trọng Do đó, nghiên cứu này nhằm điều chỉnh và bồ sung kiến thức về mỗi 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 tải chính tiêu dùng
Trang 7nN
Mục tiêu của nghiên cứu là đánh giá tác động của các yếu tô đối với quyết định thâm 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 thâm định hồ sơ cho vay, bao gồm cả các mỗi quan hệ tuyến tính và phi tuyến tính Câu hỏi nghiên cứu bao gôm:
Câu hỏi L: Các yếu tố nào ảnh hưởng đến quyết định thâm định rủi ro tín dung trong lĩnh vực tải chính tiêu dùng?
Câu hỏi 2: Liệu có mối quan hệ tuyến tính hoặc phi tuyến tính giữa các yếu tổ độc lập và quyết định thâm định hồ sơ cho vay không, và nếu có, chúng có ảnh hưởng như thế nào đến quy trình thâm định rủi ro?
143 Đối tượng và phạm vi nghiên cứu
Nghiên cứu này dựa trên tập dữ liệu của người dùng tham gia quả 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 tuôi, thu nhập, khoản chỉ 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 thâm định rủi ro tín dụng trong lĩnh vực tài chính tiêu dùng
PHƯƠNG PHÁP NGHIÊN CỨU
Trong lĩnh vực đánh giá và thâm định rủi ro tín dụng trong tài chính tiêu dùng, việc áp dụng mô hình hồi quy tuyến tính là một phương pháp phô biến và hữu ích Các nghiên cứu trước đây đã sử đụng 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
Trang 8nghiệp (2018) [1] đã sử dụng số lượng báo cáo về hành vi có nợ xấu và tuôi để dự đoán xác suât 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 răng số lượng báo cáo về hành vi có nợ xấu, tuôi và thu nhập có mỗi quan hệ âm với tỉ lệ chấp nhận tín dụng, trong khi chỉ phí trung bình hàng tháng và tinh trạng sở hữu nhà có mối quan hệ đương với tỉ lệ chấp nhận tín đụng Tuy nhiên, nghiên cứu này có hạn chế là dữ liệu chỉ được thu thập từ một ngân hàng duy nhất, có thê 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, tuôi 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 đương với tỉ lệ chấp nhận tín dụng Tuy nhiên, nghiên cứu này có hạn chế là đữ 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 đù mô hình máy học mang lại hiệu suất dự đoán cao hơn,
nhưng chúng cũng có thê khó hiểu và khó giải thích, dẫn đến sự giảm đi tính diễn giải
cua két qua
Trong khuôn khổ bài nghiên cứu, nhóm để xuất tập trung vào một loạt các biến
quan trọng bao gồm dụng số lượng báo cáo về hành vi có nợ xấu, tuôi, 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 biên còn lại là các biên độc lập
Trang 9Trong 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 Ineome (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 (tinh trang sở hữu nhà), và Selfempl (tình trạng tự làm việc) cũng được xem xét vì ảnh hưởng của chúng đối với ôn định tài chính và khả năng trả nợ của cá nhân
cáo về hành vi có nợ xâu
Selfempl (Tự kinh
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 ôn định hoặc rủi ro tai chính cao Mặt khác, các nghiên cứu trước đó đã chỉ ra răng thông tin về nợ xấu có thê cải thiện khả năng dự đoán rủi ro tin dung (Agarwal & Qian, 2013; Fair & Issac,
1975) [5]
Trang 10Age (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 tudi tác có thê ảnh hưởng đến rủi ro tín dụng, với người có tuôi 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 tin dung (Avery & Elliehausen, 1996; Jappelli
& Pagano, 2002) [7]
Avgexp (Số năm kinh nghiệm làm việc): Lựa chọn biến Avgexp, đại điện cho số năm kinh nghiệm, dựa trên tác động của nó đến khả năng thanh toán và sự ôn 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 đài thường có thu nhập 6n 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 môi liên hệ này p1ữa số năm kinh nghiệm va rủi ro tín dụng
Ownrent (Sở hữu nhà): Tình trạng sở hữu nhà được chọn vì nó có thé phan ánh mức độ ôn định tài chính của cá nhân Người sở hữu nhà thường có ít rủi ro tai chính hơn so với người đi thuê nhà Các nghiên cứu trước đó đã chỉ ra răng sở hữu nhà có thê ảnh hưởng tích cực đến rủi ro tín dụng (Agarwal & Qian, 2013; Duca & Muellbauer, 2005) [9]
Trang 11Bảng 1 Mô tả biến quan sát
(Agarwal & Qian, 2013) [10]
dụng, có thê ảnh hưởng đến | Between Age and
2013) [12]
Rates" (Avery & Elliehausen, 1996)
[13]
2013) [14]
tài chính và khả nang trang | and Credit Risk"
2013) [15]
Trang 122.3
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 L) chỉ ra liệu don xin thé tin dung cua mỗi cá nhân có được chấp nhận không
AGE (Age in years + 12ths of a year): Tuôi của mỗi cá nhân được tính bang số năm và phần thập phân của năm
INCOME (Income, đivided by 10,000): Thu nhập của mỗi cá nhân, được chia
cho 10,000 đề 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 I) chỉ ra liệu mỗi cá nhân có tự làm việc hay không
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 tích độ tin cậy, tương quan Pearson, và hồi quy Triết lý của việc sử dụng các phương pháp này là đề tạo ra một cách tiép cận toàn diện, từ việc hiệu rõ dữ liệu đên việc kiêm
Trang 13tra giả thuyết và đự đoán mỗi 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 thiêu nhiễu va tăng tính chính xác của kết quả (nếu có)
3 Chuan hóa dữ liệu: Chuyên đổi đữ liệu sang định dạng phù hợp cho phân tích thống kê và mô hình hóa Bao gồm chuyên đổi biến phân loại thành dạng số và chuẩn hóa biến số đề có thê 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 đữ 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 KET QUA PHAN TICH
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 Tuôi của các cá nhân (AGE) trong bộ đữ 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 va có giá trị thấp nhất là 1.50, cao nhất là
10.00, trung bình là 3.3693 và độ lệch chuan la 1.62901
Chi tiéu trung binh hang thang trén thé tin dung (AVGEXP) co gia tri thap nhat
là 0.00 và cao nhất là 1898.03, với trung binh là 189.0231 và độ lệch chuân 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