Đề tài sử dụng hỗn hợp cả 2 phƣơng pháp nghiên cứu là nghiên cứu định tính và nghiên cứu định lƣợng để phân tích nội dung đề tài.
3.5.1. Phương pháp thống kê mô tả và so sánh Phương pháp thống kê mô tả
3.5.1.1
Sử dụng phƣơng pháp thống kê mô tả để đánh giá thực trạng việc trả nợ của khách hàng thuộc diện hộ nghèo có vay vốn tại NHCSXH huyện Ba Tri thông qua các chỉ tiêu tài chính nhƣ: Tổng nợ đến hạn, thu nợ thực tế, tỷ lệ thu nợ thực tế, tần xuất các giá trị, tỷ lệ so với tổng thể…để mô tả đánh giá dữ liệu thu thập đƣợc, từ đó đƣa ra cái nhìn khái quát về vấn đề nghiên cứu, nguyên nhân và giải pháp cho từng vấn đề.
Phương pháp so sánh
3.5.1.2
Sử dụng phƣơng pháp so sánh bằng số tuyệt đối và so sánh bằng số tƣơng đối để thấy đƣợc tình hình biến động của ngân hàng từ năm 2015 đến năm 2018.
Phƣơng pháp so sánh bằng số tuyệt đối: Là phép trừ giữa trị số của kỳ phân tích so với kỳ gốc của các chỉ tiêu kinh tế.
= s1 - s0
: Là phần chênh lệch tăng, giảm giữa kỳ phân tích và kỳ gốc s1: Chỉ tiêu kỳ phân tích
s0: Chỉ tiêu kỳ gốc
Phƣơng pháp so sánh bằng số tƣơng đối: Là một chỉ tiêu tổng hợp biểu hiện bằng số lần (%) phản ánh tình hình của sự kiện khi số tuyệt đối không thể nói lên đƣợc.
=
x 100% Trong đó:
: Biểu hiện tốc độ tăng trƣởng giữa kỳ phân tích và kỳ gốc s1: Chỉ tiêu kỳ phân tích
s0: Chỉ tiêu kỳ gốc
3.5.2. Mô hình hồi quy Binary Logistic
Đối với dữ liệu của mô hình nghiên cứu, luận văn sử dụng mô hình hồi quy để tổng hợp, phân tích là Binary Logistic.
Mô hình đánh giá rủi ro tín dụng thông qua tiêu chí trả nợ vay đúng hạn của ngƣời nghèo. Mô hình này đƣợc xây dựng nhằm đánh giá các yếu tố ảnh hƣởng đến trả nợ vay đúng hạn của ngƣời nghèo.
Theo Nguyễn Đình Thọ (2013), Binary Logistic là mô hình hồi quy mà trong đó biến phụ thuộc là biến giả. Có nhiều sự vật, hiện tƣợng, nhiều quá trình mà khi mô tả bằng mô hình kinh tế lƣợng, biến phụ thuộc là biến giả (biến giả là biến rời rạc nó có thể nhận một trong hai giá trị là 0 và 1). Mô hình này sử dụng biến phụ thuộc dƣới dạng nhị phân để ƣớc lƣợng xác suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có đƣợc.
Có rất nhiều hiện tƣợng trong tự nhiên chúng ta cần dự đoán khả năng xảy ra một sự kiện nào đó mà ta quan tâm, ví dụ sản phẩm mới đƣợc chấp nhận hay không,
ngƣời vay trả đƣợc nợ hay không, mua hay không mua,… Những biến nghiên cứu có 2 biểu hiện nhƣ vậy gọi là biến giả, hai biểu hiện này sẽ đƣợc mã hóa thành 2 giá trị 0 và 1 và ở dƣới dạng này gọi là biến nhị phân. Khi biến phụ thuộc ở dạng nhị phân thì không thể phân tích với dạng hồi quy thông thƣờng vì làm nhƣ vậy sẽ gây xâm phạm các biến giả định, rất dễ thấy là khi biến phụ thuộc chỉ có 2 biểu hiện thì không phù hợp với giả định phần dƣ có phân phối chuẩn, mà thay vào đó sẽ có phân phối nhị thức, điều này sẽ làm mất hiệu lực các kiểm định thống kê trong phép hồi quy thông thƣờng. Một khó khăn khác khi dùng hồi quy tuyến tính thông thƣờng là giá trị dự đoán đƣợc của biến phụ thuộc không thể đƣợc diễn dịch nhƣ xác suất (giá trị diễn dịch của biến phụ thuộc trong hồi quy Binary Logistic phải rơi vào khoảng (0;1)).
Thông tin ta cần thu thập về biến về biến phụ thuộc là một sự kiện nào đó có xảy ra hay không, biến phụ thuộc Y lúc này có hai giá trị là 0 và 1, với 0 là không xảy ra sự kiện quan tâm và 1 là xảy ra, và tất nhiên cả thông tin về các biến độc lập X. Từ biến phụ thuộc nhị phân này, một thủ tục sẽ đƣợc dùng để dự đoán xác suất sự kiện xảy ra theo quy tắc xác suất đƣợc dự đoán lớn hơn 0,5 thì kết quả dự đoán sẽ cho là “có” xảy ra sự kiện, ngƣợc lại thì kết quả dự đoán sẽ là “không”. Nghiên cứu mô hình Binary Logistic trong trƣờng hợp đơn giản khi chỉ có một biến độc lập X.
Ta có mô hình Binary Logistic nhƣ sau:
Trong công thức này Pi=E(Y=1/X)=P(Y=1) gọi là xác suất để sự kiện xảy ra (Y=1) khi biến độc lập X có giá trị cụ thể là Xi. Ký hiệu biểu thức (B0+B1X) là z, ta viết lại mô hình hàm Binary Logistic nhƣ sau:
𝑃𝑖 𝐸 𝑌 1 𝑋 𝑒(𝐵0+𝐵1𝑋) 1 + 𝑒(𝐵0+𝐵1𝑋) 𝑃(𝑌 1) 𝑒 𝑧 1 + 𝑒𝑧
Vậy thì xác suất không xảy ra sự kiện là:
Thực hiện phép so sánh giữa xác suất một sự kiện xảy ra với xác suất sự kiến đó không xảy ra, tỷ lệ chênh lệch này có thể đƣợc thể hiện trong công thức:
Lấy log cơ số e hai vế của phƣơng trình trên rồi thực hiện biến đổi vế phải ta đƣợc kế quả là:
Vì Logeez =z nên kết quả cuối cùng là:
Hay viết cách khác: loge(Pi/(1-Pi))=B0+B1X là dạng hàm hồi quy Binary Logistic. Và ta có thể mở rộng mô hình cho hai hay nhiều biến độc lập Xk.
Đã có nhiều nghiên cứu sử dụng mô hình Binary Logistic làm cơ sở để ngân hàng nhận diện và phân loại rủi ro. Thông qua kết quả phân tích mô hình ta có thể ƣớc lƣợng đƣợc xác suất không trả nợ đúng hạn của khách hàng. Từ đó làm cơ sở xác định khách hàng nào nằm trong nhóm có rủi ro cao, sử dụng vốn chƣa hiệu quả và không trả nợ đúng hạn. Đồng thời kịp thời đƣa ra những giải pháp, gợi ý chính sách giúp ngân hàng và chính quyền địa phƣơng có phƣơng án hỗ trợ ngƣời nghèo sản xuất kinh doanh hiệu quả, cải thiện kinh tế, nâng cao khả năng trả nợ trả nợ đúng hạn. 𝑃(𝑌 0) 1 − 𝑃(𝑌 1) 1 − 𝑒 𝑧 1 + 𝑒𝑧 𝑃(𝑌 1) 𝑃(𝑌 0) 𝑒𝑧 1 + 𝑒𝑧 1 −1 + 𝑒𝑒𝑧 𝑧 𝑙𝑜𝑔𝑒 𝑃(𝑌 1) 𝑃(𝑌 0) 𝑙𝑜𝑔𝑒𝑒𝑧 𝑙𝑜𝑔𝑒 𝑃(𝑌 1) 𝑃(𝑌 0) 𝐵 + 𝐵 𝑋
Bảng 3. 2 Diễn giải các biến và kỳ vọng trong phân tích hồi quy STT Biến Đo lƣờng Kỳ vọng 1 Y=Trả nợ đúng hạn Khách hàng đã trả nợ đúng hạn có giá trị là 1; hoặc không đúng hạn có giá trị là 0 2 X1=Lãi suất Biến giả, giá trị 1 là lãi suất cao, giá trị 0 là lãi suất thấp - 3 X2=Vốn dự
án Tổng số tiền đầu tƣ vào dự án vay vốn (triệu đồng) + 4 X3=Vốn tự có Số vốn tự có của hộ gia đình tham gia vào dự án (triệu đồng) + 5 X4=Mục đích
sử dụng vốn
Biến giả, bằng 1 cho mục đích nuôi bò sinh sản, bằng 2 cho mục đích buôn bán, đánh bắt thủy hải sản,..
+ 6 X5=Tiết kiệm Số dƣ tiết kiệm của hộ gia đình tại ngân hàng (triệu) +
7 X6=Tuổi Tuổi chủ hộ (tuổi) +
8 X7=Giới tính Biến giả, bằng 1 khi chủ hộ có giới tính nam, bằng 0 khi chủ hộ là nữ - 9
X8=Số thành viên trong
tuổi lao động Số thành viên trong tuổi lao động (ngƣời)
+
10
X9=Số thành viên ngoài
tuổi lao động Số thành viên ngoài tuổi lao động (ngƣời)
-
11 X10=Trình độ Biến giả, trình độ chủ hộ gồm: không đi học = 0, cấp 1=1, cấp 2=2, cấp 3 = 3, cao đẳng/đại học=4 +
12 X11=Thị trƣờng
Biến giả, bằng 1 khi thị trƣờng tiêu thụ ổn định, bằng 0 khi thị trƣờng tiêu thụ không ổn định + 13 X12=Diện tích
sử dụng đất Diện tích đất của hộ vay (m2) + 14 X13=Đƣờng
giao thông
Biến giả, bằng 1 khi khách hàng trong khu vực có cơ sở hạ tầng tốt, đƣờng ô tô đi qua, ngƣợc lại bằng 0
Các kiểm định cần thực hiện:
Kiểm định tương quan
3.5.2.1
Kiểm định hệ số tƣơng quan Pearson nhằm kiểm tra mối quan hệ tƣơng quan tuyến tính chặt chẽ giữa biến phụ thuộc với các biến độc lập, vì để hồi quy thì quan trọng nhất là phải có tƣơng quan (sig. <0,05). Kết quả mối quan hệ giữa biến phụ thuộc và các biến độc lập dựa trên kết quả ma trận hệ số tƣơng quan.
Kiểm định hiện tượng đa cộng tuyến
3.5.2.2
Hiện tƣợng đa cộng tuyến (multicollinearity) là hiện tƣợng các biến độc lập có quan hệ gần nhƣ tuyến tính. Việc bỏ qua hiện tƣợng đa cộng tuyến sẽ làm các sai số chuẩn thƣờng cao hơn, giá trị thống kê thấp hơn và có thể không có ý nghĩa. Để kiểm tra hiện tƣợng này, ta sử dụng thƣớc đo độ phóng đại phƣơng sai (Variance Inflation Factor, VIF) để kiểm định hiện tƣợng tƣơng quan giữa các biến độc lập. Điều kiện là VIF < 10 để không có hiện tƣợng đa cộng tuyến.
Kiểm định độ phù hợp của mô hình
3.5.2.3
Hồi quy Binary Logistic đòi hỏi phải đánh giá độ phù hợp của mô hình.
Kiểm định độ phù hợp tổng quát: Ở hồi quy Binary Logistic, tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình ngoại trừ hằng số cũng đƣợc kiểm định xem có thực sự có ý nghĩa trong việc giải thích cho biến phụ thuộc hay không. Với hồi quy tuyến tính bội ta dùng thống kê F để kiểm định giá trị H0: B1 = B2 = … Bk = 0, còn với hồi quy Binary Logistic ta dùng kiểm định Chi-bình phƣơng. Căn cứ vào mức ý nghĩa mà SPSS đƣa ra trong bảng Omnibus Tests of Model Coefficients để quyết định bác bỏ hay chấp nhận H0. Trƣờng hợp nếu sig. nhỏ hơn mức ý nghĩa đƣa ra thì có thể khẳng định các biến độc lập có ý nghĩa giả thích cho biến phụ thuộc.
Đo lƣờng độ phù hợp của mô hình còn đƣợc dựa trên 2 chỉ tiêu: Chỉ tiêu thứ nhất -2LL (viết tắc của -2 log likehood), thƣớc đo này có ý nghĩa giống nhƣ SSE (Sum of squares of error) nghĩa là càng nhỏ càng tốt; Chỉ tiêu thứ hai là R2
của Nagelkerke R Square), hệ số xác định mô hình, thƣớc đo này có giá trị càng lớn càng tốt. Nhƣ vậy quy tắc đánh giá độ phù hợp căn cứ trên -2LL ngƣợc với quy tắc dựa trên hệ số xác định mô hình R2 , nghĩa là giá trị của -2LL càng nhỏ càng thể hiện độ phù hợp càng cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có một độ phù hợp hoàn hảo và R2
mang ý nghĩa ngƣợc lại.
Chúng ta còn có thể xác định mô hình dự đoán tốt đến đâu qua bảng phân loại (Clacsification table) do SPSS đƣa ra, bảng này so sánh số trị số thực và số dự đoán cho từng biểu hiện và tính tỷ lệ dự đoán đúng sự kiện.
Kiểm định ý nghĩa của các hệ số
3.5.2.4
Hồi quy Binary Logistic yêu cầu kiểm định giả thuyết hệ số hồi quy khác không. Nếu hệ số hồi quy B0 và B1 đều bằng không thì tỷ lệ chênh lệch giữa các xác suất sẽ bằng 1, tức xác suất để sự kiện xảy ra hay không xảy ra nhƣ nhau, khi đó mô hình hồi quy không có ý nghĩa trong việc dự đoán.
Trong hồi quy tuyến tính ta sử dụng kiểm định t để kiểm định giả thuyết H0: Bk=0. Trong hồi quy Binary Logistic ta sử dụng kiểm định Wald. Kiểm định Wald là kiểm định tƣơng quan từng phần của các hệ số hồi quy: Kiểm định này xem xét biến độc lập tƣơng quan có ý nghĩa với biến phụ thuộc hay không (xét riêng từng biến đƣợc lập). Trong kiểm định Wald, khi mức ý nghĩa của hệ số hồi quy từng phần có mức độ tin cậy ít nhất 95% (Sig. <= 0,05) ta kế luận rằng tƣơng quan giữa biến độc lập và biến phụ thuộc có ý nghĩa thống kê.
Kiểm định hiện tượng phương sai của phần dư thay đổi
3.5.2.5
Phƣơng sai của phần dƣ thay đổi (heteroskedasticity) là hiện tƣợng các giá trị phần dƣ có phân phối không giống nhau, và giá trị phƣơng sai không nhƣ nhau. Bỏ qua hiện tƣợng phƣơng sai của phần dƣ thay đổi sẽ làm cho ƣớc lƣợng OLS của các hệ số hồi quy không hiệu quả, các kiểm định giả thuyết không còn giá trị, các dự báo không còn hiệu quả. Để kiểm tra hiện tƣợng này, ta sử dụng kiểm định
Spearman hoặc kiểm định White. Nếu số quan sát của nghiên cứu nhỏ (<100), nên sử dụng kiểm định Spearman. Khi số quan sát lớn thì phải dùng kiểm định White.
TÓM TẮC CHƢƠNG 3
Tác giả đề xuất mô hình nghiên cứu phù hợp với đối tƣợng, phạm vi và mục tiêu nghiên cứu của đề tài. Bao gồm mô hình hồi quy Binary Logistic và phƣơng trình hồi quy của mô hình. Bên cạnh đó chƣơng này cũng nêu ra các phƣơng pháp thu thập dữ liệu nghiên cứu, kích thƣớc mẫu, các phân tích kiểm định đƣợc sử dụng để nghiên cứu: Phƣơng pháp định lƣợng: các kiểm định hệ số tƣơng quan, tự tƣơng qua, độ phù hợp của mô hình hồi quy Binary Logistic, ý nghĩa của các hệ số hồi quy, kiểm định phƣơng sai sai số thay đổi; phƣơng pháp định tính và phƣơng pháp thống kê mô tả.
CHƢƠNG 4.THỰC TRẠNG VỀ TÍN DỤNG ĐỐI VỚI NGƢỜI NGHÈO VÀ YẾU TỐ ẢNH HƢỞNG ĐẾN TRẢ NỢ CỦA
NGƢỜI NGHÈO TẠI NHCSXH HUYỆN BA TRI
4.1. Thực trạng về tín dụng đối với ngƣời nghèo tại NHCSXH huyện Ba Tri
4.1.1. Thực trạng hộ nghèo tại huyện Ba Tri
Theo Quyết định số 59/2015/QĐ-TTg ngày 19/11/2015 của Thủ tƣớng chính phủ về chuẩn hộ nghèo áp dụng cho giai đoạn 2016-2020 thì số hộ nghèo huyện Ba Tri có xu hƣớng giảm qua các năm. Cụ thể năm năm 2015 toàn huyện Ba Tri có 9.422 hộ nghèo trong tổng số 53.321 hộ dân, chiếm tỷ lệ 17,67%. Năm 2016 giảm 1.271 hộ, xuống còn 8.151 hộ nghèo, chiếm tỷ lệ 15,47%. Đến năm 2017 hộ nghèo giảm 1.662 hộ còn 6.489 hộ, chiếm tỷ lệ 12,17%, tỷ lệ giảm 3,3%. Năm 2018 hộ nghèo giảm 1.501 hộ xuống còn 4.988 hộ nghèo, chiểm tỷ lệ 9,32%, tỷ lệ giảm 2,85%. Kết quả giảm nghèo này là thành quả của quá trình phát triển kinh tế tại địa phƣơng, nâng cao thu nhập, đa dạng sinh kế, hỗ trợ xuất khẩu lao động, tác động của tín dụng ƣu đãi khi thực hiện các chủ trƣơng chính trị-xã hội, xây dựng nông thôn mới,… Số liệu hộ nghèo các năm 2015-2018 và xu hƣớng đƣợc thể hiện ở hình 4.1.
Hình 4. 1 Số hộ nghèo huyện Ba Tri giai đoạn 2015-2018
Nguồn: UBND huyện Ba Tri, Ban chỉ đạo các chƣơng trình mục tiêu quốc gia
Năm 2015 Năm 2016 Năm 2017 Năm 2018
Số hộ nghèo 9422 8151 6489 4988 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 Số hộ nghèo
4.1.2. Thực trạng về cho vay đối với người nghèo tại Ngân hàng Chính sách xã hội Việt Nam trên địa bàn huyện Ba Tri
Năm 2016, tổng dƣ nợ NHCSXH huyện Ba Tri là 311.834 triệu đồng. Trong đó, dƣ nợ hộ nghèo là 124.969 triệu đồng, tăng 21.140 triệu đồng, tỷ lệ tăng trƣởng 20,36%, hoàn thành kế hoạch đƣợc giao. Tổng số nợ quá hạn: 168 triệu đồng, chiếm 0,13%/ dƣ nợ, giảm 24 triệu đồng so với năm 2015, tỷ lệ giảm 12,5%.
Năm 2017, tổng dƣ nợ NHCSXH huyện Ba Tri là 345.449 triệu đồng. Trong đó, dƣ nợ ngƣời nghèo là 137.909 triệu đồng, tăng 12.940 triệu đồng so với năm 2016, tỷ lệ tăng trƣởng tín dụng 10,35%, tỷ lệ hoàn thành kế hoạch tăng trƣởng đạt 99,9%. Tổng số nợ quá hạn: 178 triệu đồng, chiếm 0,13%/ dƣ nợ, tăng 10 triệu đồng so với năm 2016, tỷ lệ tăng 6%.
Năm 2018, Tổng dƣ nợ NHCSXH huyện Ba Tri đạt 390.651 triệu đồng, tăng 45.202 triệu đồng so với năm 2017. Trong đó dƣ nợ ngƣời nghèo là 144.492 triệu đồng, tăng 6.583 triệu đồng so với năm 2017, tỷ lệ tăng trƣởng tín dụng 4,77%, tỷ lệ hoàn thành kế hoạch tăng trƣởng đạt 99,9%. Tổng số nợ quá hạn: 190 triệu đồng, chiếm 0,13%/ dƣ nợ, tăng 12 triệu đồng so với năm 2017, tỷ lệ tăng 7%.
NHCSXH huyện Ba Tri có tốc độ tăng trƣởng dƣ nợ ở mức cao và ổn định qua các năm, đặc biệt là giải quyết nhu cầu vốn cho ngƣời nghèo. Tỷ lệ nợ quá hạn đƣợc duy trì ở mức thấp (dƣới 1%). Kết quả này cho thấy sự cố gắng, nổ lực của