Luận văn sử dụng dữ liệu sơ cấp và thứ cấp. Dữ liệu thứ cấp là nguồn thông tin bên trong ngân hàng, dữ liệu được trích từ báo cáo tình hình dư nợ cho vay của các chi nhánh của Sacombank tại thời điểm 30/06/2017, chương trình T24 của core banking ngân hàng và phần mềm chấm điểm tín dụng khách hàng trên CRS. Riêng đối với biến số năm kinh nghiệm từ cán bộ thẩm định KHCN, luận văn kết hợp sử dụng chương trình T24 của core banking và dữ liệu sơ cấp từ phỏng vấn nhân viên thẩm định tín dụng cá nhân để cung cấp số liệu cho biến IOS. Bên cạnh đó, luận văn sử dụng dữ liệu thứ cấp là các báo cáo tài chính hợp nhất của ngân hàng qua các năm 2014, 2015, 2016 và 2017 để đánh giá khái quát thực trạng dư nợ KHCN và tình hình nợ quá hạn tại Ngân hàng.
Kích thước mẫu là 550 dựa trên nghiên cứu hồi quy đa biến Daniel Boduszek (2016), được tính toán theo công thức của Tabachnick and Fidell như sau:
N > 50+8*m (3.6)
Trong đó: N là kích thước mẫu; m là số biến trong mô hình
Các số liệu ban đầu đươc thu thập từ 11 chi nhánh: Chi nhánh Bình Dương, chi nhánh Bình Phước, chi nhánh Sài Gòn, chi nhánh Thủ Đức, chi nhánh Củ Chi, chi nhánh Tây Ninh, chi nhánh Gia Lai, chi nhánh Đắk Lắk, chi nhánh Tiền Giang, chi nhánh Cần Thơ, chi nhánh Long Biên của Ngân hàng dựa trên việc chọn mẫu cân bằng giữa các chi nhánh (mỗi chi nhánh 50 mẫu) được chọn một cách ngẫu nhiên có chọn lọc, sau đó được nhập liệu vào file excel và chọn các mẫu một cách có điều kiện các khoản vay trả gốc và lãi định kỳ để tạo ra các biến cần phân tích. Sau đó, sử dụng phần mềm SPSS để phân tích thống kê mô tả, phân tích hồi quy mô hình binary logistic. Dưới đây là bảng mô tả biến:
STT Tên biến
Ký hiệu biến
Nguồn
dữ liệu Cơ sở nghiên cứu thực nghiệm 1 Khả năng trả nợ đúng hạn của KHCN (Bằng 1 nếu khách hàng có khả năng trả nợ đúng hạn và
ngược lại nhận giá trị là 0)
Y
Báo cáo nội bộ Sacombank
Nghiên cứu của Kohansal (2009) và Trương Đông Lộc (2011) 2 Giới tính (Bằng 1 nếu giới tính là nữ và bằng 0 nếu là nam) SEX Phần mềm T24 của core banking và phần mềm chấm điểm tín dụng của CRS
Nghiên cứu của Chapman (1990)
3 Độ tuổi AGE
Nghiên cứu của Trương Đông Lộc(2011)
và Wongnaa (2013)
4 Số thành viên phụ thuộc
gia đình HOS
Nghiên cứu của Trương Đông Lộc (2011) và Li Shuai (2013)
5
Trình độ học vấn từ trung cấp đến cao đẳng (Bằng 1 nếu người vay có trình độ từ trung cấp,
cao đẳng và khác nhận giá trị 0)
EDU_1
Nghiên cứu của Trương Đông Lộc (2011), Nguyễn Quốc Nghi (2012) và Wongnaa (2013) 6 Trình độ học vấn từ đại học trở lên (Bằng 1 nếu người vay có trình độ từ đại học trở lên và khác nhận giá trị 0) EDU_2
7
Công việc (Bằng 1 nếu người vay có vị trí công việc văn phòng, trí óc và
khác nhận giá trị 0)
WORK
Nghiên cứu của Li Shuai (2013) và Chapman
(1990)
8 Thu nhập INC
Nghiên cứu của Trương Đông Lộc (2011), Nguyễn Quốc Nghi
(2012).
9 Kích cỡ khoản vay SOL
Báo cáo nội bộ Sacombank
Nghiên cứu của Acquah (2011) và Kohansal
(2009)
10 Thời gian vay TIME
Nghiên cứu của Li Shuai (2013)
11 Lãi suất vay INT
Nghiên cứu của Trương Đông Lộc (2011), Nguyễn Quốc Nghi (2012), Mohammad Reza Kohansal (2009)
12
Tài sản thế chấp (Bằng 1 nếu người vay có tài sản
thế chấp và ngược lại nhận giá trị 0)
SEC Nghiên cứu của
Kohansal (2009)
13
Vay kinh doanh (Bằng 1 nếu mục đích của người
vay là sản xuất kinh doanh và khác nhận giá
trị 0)
TOL
Nghiên cứu của George Yaw Mensah (2012),
Kohansal (2009) và Samuel Antwi 2012
14
Lịch sử nợ quá hạn của người vay (Bằng 1 nếu khách hàng chưa có nợ quá hạn và ngược lại
nhận giá trị 0) CIC Phần mềm chấm điểm tín dụng của CRS
Ngiên cứu của Kohansal (2009) và Million Sileshi (2012) 15 Kinh nghiệm, trình độ cán bộ thẩm định cho vay (Bằng 1 nếu cán bộ thẩm định có kinh nghiệm từ 2 năm trở lên
và ngược lại) IOS Phần mềm T24 của core banking kết hợp phỏng vấn cán bộ thẩm định
Nghiên cứu của Jonathan A.Scott (2006) nhưng được tác giả điều chỉnh
Bảng 3.2 - Mô tả các biến và nguồn dữ liệu thu thập từ các biến
Nguồn: Tác giả thiết kế từ giả thuyết nghiên cứu và dữ liệu thu thập
3.6 Phƣơng pháp nghiên cứu
Luận văn kết hợp phương pháp nghiên cứu định tính và định lượng. Trong đó, phương pháp nghiên cứu định tính được áp dụng thông qua tổng hợp các nghiên cứu trước để làm nền tảng đưa ra mô hình lý thuyết và các giả thuyết nghiên cứu kèm theo. Phương pháp nghiên cứu định lượng được sử dụng trong quá trình tổng hợp các số liệu thứ cấp, số liệu sơ cấp thông qua phương pháp thống kê mô tả và phân tích hồi quy, cụ thể như sau:
3.6.1 Phƣơng pháp thống kê mô tả
Phương pháp thống kê mô tả là các phương pháp liên quan đến việc thu thập số liệu, tóm tắt, trình bày và tính toán các đặc trưng để phản ánh một cách tổng quát đối tượng nghiên cứu. Dựa trên dữ liệu thu thập, luận văn sử dụng chương trình Microsoft Excel để xử lý số liệu sơ cấp và thứ cấp. Sau đó, dựa trên số liệu đã xử lý luận văn sử dụng phần mềm SPSS để thống kê tần số từng biến và thống kê mô tả
các biến với các chỉ số kinh tế như trung bình, độ lệch chuẩn, giá trị max và min,…nhằm đánh giá một cách tổng quát toàn bộ biến trong mô hình.
3.6.2 Phƣơng pháp phân tích hồi quy
Như đã trình bày ở trên, để đánh giá khả năng trả nợ đúng hạn của KHCN, luận văn sử dụng mô hình binary logistics.
Mô hình được thể hiện như sau:
Trong đó E(Y/X) là xác suất để Y=1 (tức xác suất khách hàng có khả năng trả nợ đúng hạn) khi mức giá là Xi. Đặt , ta có thể viết lại hàm binary logistics như sau:
Và xác suất khách hàng có khả năng trả nợ đúng hạn và không có khả năng trả nợ đúng hạn là:
Nếu so sánh giữa xác suất khách hàng có khả năng trả nợ đúng hạn và khách hàng không có khả năng trả nợ đúng hạn, ta có tỷ lệ Odds với công thức:
Trong đó:
Y=1: khách hàng có khả năng trả nợ đúng hạn.
Y=0: khách hàng không có khả năng trả nợ đúng hạn.
3.6.2.1 Diễn dịch ý nghĩa của các hệ số hồi quy
Theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2009), tên gọi hồi quy Binary Logistic xuất phát từ quá trình biến đổi lấy logarit của thủ tục này. Sự chuyển hóa các hệ số hồi quy của hồi quy binary logistic có nghĩa hơi khác với hệ số hồi quy trong trường hợp thông thường với các biến phụ thuộc dạng thập phân.
Từ kết quả công thức (3.7), có thể nói hệ số ước lượng β1 là sự đo lường những thay đổi trong tỷ lệ (được lấy logarit) của các xác suất xảy ra sự kiện với 1 đơn vị thay đổi trong biến độc lập X1 tức là khi X1 tăng 1 đơn vị thì Log của tỷ lệ (Pi/1-Pi) tăng β1 đơn vị. Về chiều hướng tác động, vế trái của của công thức (3.7) đồng biến với Pi (tức xác suất Y=1) nên nếu hệ số βi mang dấu dương thì tăng Xi sẽ làm tăng khả năng Y nhận giá trị 1 trong khi hệ số âm làm giảm khả năng này.
Tuy nhiên, để diễn dịch ý nghĩa của các hệ số hồi quy, cần tính tác động biên của Xi lên xác suất Pi (tức xác suất Y=1) thông qua công thức sau:
Tác động biên của Xi lên xác suất Y=1 xác định với xác suất ban đầu = 0,5 (Hoàng Trọng và Chu Nguyễn Mộng Ngọc 2009)
3.6.2.2 Độ phù hợp của mô hình
Đối với mô hình Binary logistics để kiểm định phù hợp của mô hình, sử dụng chỉ tiêu -2LL (-2 Log Likelihood), thước đo này có ý nghĩa giống như SSE (Sum of Squares of error) nghĩa là có giá trị càng nhỏ càng tốt. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có độ phù hợp hoàn hảo.
3.6.2.3 Kiểm định ý nghĩa thống kê của các hệ số
Để kiểm định ý nghĩa của các hệ số hồi quy Logistics sử dụng đại lượng Wald Chi Square (kiểm định giả thuyết hồi quy khác không) để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Nếu hệ số hồi quy β0 và β1 đều bằng 0 thì tỷ lệ chênh lệch giữa các xác suất sẽ bằng 1, tức xác suất để sự kiện xảy ra hay không xảy ra như nhau, lúc đó mô hình hồi quy không có tác dụng dự đoán. Wald Chi Square được tính bằng cách lấy ước lượng của hệ số hồi quy của biến độc lập trong mô hình (hệ số hồi quy mẫu) logistics chia cho sai số chuẩn của ước lượng hệ số hồi quy này, sau đó lấy bình phương như sau:
3.6.2.4 Kiểm định mức độ phù hợp tổng quát
Kiểm định độ phù hợp tổng quát trong hồi quy logistics, với hồi quy tuyến tính bội ta dùng thống kê F để kiểm định giả thuyết tuy nhiên trong hồi quy logistics ta dùng kiểm định Chi - bình phương để kiểm định tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình có thực sự ý nghĩa trong việc giải thích cho biến phụ thuộc không. Với mức sig <0,05 ta bác bỏ giả thuyết H0, chấp nhận giả thuyết H1 tức là các hệ số hồi quy khác nhau có ý nghĩa thống kê và các hệ số đều thực sự có ý nghĩa trong việc giải thích biến phụ thuộc.
3.7 Quy trình nghiên cứu
Dựa trên mô hình nghiên cứu và phương pháp nghiên cứu, quy trình nghiên cứu được tóm tắt như sau:
Hình 3.2 – Quy trình nghiên cứu mô hình
Nguồn: Tác giả tổng hợp từ các nghiên cứu và phương pháp nghiên cứu Cơ sở lý thuyết và các bằng
chứng thực nghiệm
Mô hình dự kiến các nhân tố ảnh hưởng đến khả năng trả nợ đúng
hạn của KHCN
Điều chỉnh chọn lọc các biến phù hợp với mô hình Thu thập số liệu và thử nghiệm
các biến trên phần mềm SPSS
Mô hình nghiên cứu tối ưu với các nhân tố ảnh hưởng đến khả năng trả nợ đúng hạn của KHCN
Phân tích hồi quy mô hình nghiên cứu và kiểm định giả
thuyết
KẾT LUẬN CHƢƠNG 3
Có rất nhiều phương pháp thống kê được sử dụng trong việc đánh giả khả năng trả nợ của KHCN tuy nhiên chương 3 sẽ trình bày cụ thể khái niệm, ưu điểm và nhược điểm của từng mô hình MDA, mô hình LPM, mô hình logit và probit, mô hình mạng Neutral. Theo đó, mô hình binary logistic là phù hợp nhất bởi vì đặc tính dễ sử dụng và được sử dụng phổ biến trong hầu hết các nghiên cứu về khả năng trả nợ đúng hạn của khách hàng.
Dựa trên các bằng chứng thực nghiệm tại chương 2 và thực tế tại Ngân hàng, luận văn đề xuất mô hình nghiên cứu ban đầu bao gồm 14 biến độc lập (giới tính, độ tuổi, số thành viên phụ thuộc, trình độ học vấn, tình trạng công việc, thu nhập, kích cỡ khoản vay, thời hạn vay, hình thức thế chấp, lãi suất vay, mục đích vay, lịch sử nợ quá hạn và kinh nghiệm, trình độ cán bộ thẩm định) và biến phụ thuộc khả năng trả nợ đúng hạn của khách hàng cùng các giả thuyết nghiên cứu và bảng kỳ vọng về dấu của mô hình. Dữ liệu nghiên cứu của mô hình được lấy cân bằng từ 550 mẫu hồ sơ vay vốn KHCN tại 11 chi nhánh của Ngân hàng Sacombank tại thời điểm ngày 30.06.2017. Thông qua, phương pháp nghiên cứu thống kê mô tả và phương pháp hồi quy mô hình binary logistic để tìm ra mô hình nghiên cứu tối ưu với các biến có ý nghĩa thống kê trong chương 4.
CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU
Các phần chính được thực hiện trong chương này bao gồm: sơ lược thực trạng tình hình cho vay KHCN tại Sacombank, phân tích thống kê mô tả, phân tích tương quan và đa cộng tuyến, phân tích mô hình hồi quy dựa trên quy trình xây dựng mô hình nghiên cứu tối ưu tại chương 3. Đồng thời, các nhận xét, giải thích và phân tích lý giải nhằm làm nổi bật các nhân tố ảnh hưởng và không ảnh hưởng đến khả năng trả nợ đúng hạn của KHCN tại Ngân hàng.
4.1 Thực trạng tình hình cho vay khách hàng cá nhân tại Ngân hàng TMCP Sài gòn Thƣơng Tín qua các năm 2015-2017
Ngân hàng Thương mại Cổ phần Sài Gòn Thương Tín là một trong những NHTMCP đầu tiên được thành lập tại thành phố Hồ Chí Minh. Từ mức vốn điều lệ ngày đầu thành lập (21/12/1991) chỉ 3 tỷ đồng 25 năm sau, tổng tài sản đã tăng hơn 3.000 lần và vốn điều lệ tăng hơn 6.000 lần. Sacombank vẫn kiên định mục tiêu trở thành ngân hàng bán lẻ hiện đại và đa năng hàng đầu khu vực. Trong đó, bán lẻ được xem là trọng tâm xuyên suốt quá trình phát triển của ngân hàng, kết hợp giữa mô hình hiện đại và truyền thống để tối đa hoá nhu cầu khách hàng.
Với mục tiêu trên, Sacombank đã không ngừng cải tiến về chất lượng cũng như sản phẩm dịch vụ bán lẻ nhằm thu hút khách hàng. Theo báo cáo tài chính hợp nhất năm 2017, tổng tài sản của Sacombank đạt hơn 368.000 tỷ đồng, tăng 10,84% so với đầu năm; tổng vốn huy động từ tổ chức kinh tế và dân cư đạt gần 345.000 tỷ đồng, tăng 11,65%; dư nợ tín dụng hơn 222.000 tỷ đồng, tăng 12,12%. Đặc biệt, tỷ suất sinh lời của ngân hàng dần được cải thiện với tổng thu nhập đạt 8.645 tỷ đồng, tăng 32,38% so với năm trước, tạo nguồn lực tài chính để xử lý các tồn đọng. Thu dịch vụ năm 2017 của Sacombank đạt 3.439 tỷ đồng, tăng 62.83% so với năm trước. Cụ thể, tình hình dư nợ cho vay khách hàng cá nhân như sau:
ĐVT: tỷ đồng Chỉ tiêu 2015 2016 2017 Tổng dư nợ tín dụng 185.916 198.859 222.946 Dư nợ KHCN 89.680 104.075 130.864 Tỷ trọng dư nợ KHCN/tổng dư nợ 48,24% 52,34% 58,69%
Bảng 4.1 – Tình hình dƣ nợ KHCN tại Sacombank giai đoạn 2015-2017
Nguồn: báo cáo tài chính hợp nhất của Sacombank
Theo báo cáo tài chính hợp nhất của Sacombank qua các năm 2015, 2016 và 2017, tỷ trọng dư nợ KHCN của Sacombank năm 2015 chiếm 48,24% trên tổng dư nợ tín dụng tương đương với 89.680 tỷ đồng, đến năm 2016 là 52,34% và năm 2017 là 58,69% tương đương với 130.864 tỷ đồng, đứng thứ nhất trong dư nợ cho vay các loại hình doanh nghiệp tại Ngân hàng. Từ đó cho thấy Sacombank đang đi đúng định hướng của chiến lược giai đoạn 2018-2020 là đẩy mạnh bán lẻ.
Tăng trưởng tín dụng luôn đi đôi với kiểm soát chất lượng, cơ cấu chuyển dịch theo hướng tích cực giúp Sacombank luôn đảm bảo tốc độ tăng trưởng cho vay phù hợp với khả năng huy động, tỷ lệ dư nợ cho vay so với tổng tiền gửi duy trì ở mức 64,34%. Tuy nhiên, sau khi nhận sáp nhập với Ngân hàng Thương mại Cổ phần Phương Nam (SouthernBank) vào tháng 10 năm 2015 chất lượng nợ đã thay đổi theo chiều hướng gia tăng. Theo báo cáo tài chính hợp nhất của Sacombank giai đoạn 2014-2017 về phân loại chất lượng nợ vay của Sacombank, có thể thấy chỉ tiêu nợ không đủ tiêu chuẩn của Sacombank qua các năm tăng, cụ thể nếu năm 2014 tỷ lệ nợ không đủ tiêu chuẩn chỉ là 2.027 tỷ đồng thì năm 2015 tỷ lệ này là 11.818 tỷ đồng đến năm 2016 tăng 38% tương đương 16.338 tỷ đồng, năm 2017 có giảm xuống còn 11.303 tỷ đồng, chiếm khoảng 5,07% trên tổng dư. Mặc dù 2017 tỷ lệ nợ không đủ tiêu chuẩn của Sacombank có giảm xuống, tuy nhiên tỷ lệ nợ xấu vẫn là 4,46% tương đương 10.404 tỷ đồng. Nếu so với mặt bằng chung ngành ngân hàng, tỷ lệ nợ xấu của Sacombank đã được liệt kê vào mức cao. Tỷ lệ nợ xấu có chiều
hướng giảm chủ yếu là do việc Sacombank đã bán cho Công ty trách nhiệm hữu hạn một thành viên Quản lý tài sản của các tổ chức tín dụng Việt Nam (VAMC). Theo