KHẢO CÁC NGHIÊN CỨU TRƯỚC
Như vậy, sau khi tìm hiểu lý thuyết và lược khảo các nghiên cứu trước, có thể tập hợp các yếu tố tác động đến khả năng trả nợ của khách hàng cá nhân như Bảng
Bảng 2.2. Tổng hợp các yếu tố tác động đến khả năng trả nợ STT Yếu tố ảnh hưởng đến khả năng trả nợ Cơ sở lý
thuyết Lược khảo nghiên cứu trước
Tác động1 1 Giới tính (i) Yếu tố thuộc khách hàng vay Chapman (1990), AH Roslan và Mohd Zaini Abd Karim (2009), Weber và Musshoff (2012) - 2 Tuổi (i) Yếu tố thuộc khách hàng vay Chapman (1990), Kohansal và Mansoori (2009), Orebiyi (2002), Oladeebo vs Oladeebo (2008) +/- 3 Nghề nghiệp (i) Yếu tố thuộc khách hàng vay
Chapman (1990), Dadson Awunyo-
Vitor (2012) - 4 Thu nhập (i) Yếu tố thuộc khách hàng vay Chapman (1990), Kohansal và Mansoori (2009), Trương Đông Lộc
và Nguyễn Thanh Bình (2011) + 5 Lịch sử tíndụng (i) Yếu tố thuộc khách hàng vay
Jonathan Crook (1995), Lê Huyền Thiên Phú (2013), Nguyễn Phúc Mẫn
(2015) -
6 Lãi suất
(ii) Yếu tố thuộc khoản vay
Mohammad Reza Kohansal (2009), Trương Đông Lộc và Nguyễn Thanh Bình (2011), Onyeagocha và cộng sự (2012), Bùi Văn Trịnh và Nguyễn Trường Kỳ (2012) - 7 Thời hạnvay (ii) Yếu tố thuộc khoản vay
Roslan & Karim (2009), Dadson Awunyo-Vitor (2012), Đặng Thị Cẩm
Nhung (2015) +/-
1 Tác động có hai khả năng: dấu (+) biểu hiện cho tác động cùng chiều; dấu (–) biểu hiện cho tác động ngược chiều.
8 khoản vayQuy mô (ii) Yếu tốthuộc khoản vay
Maharjan và cộng sự (1983), Zeller (1997), Bhatt và Sui-Yang Tanin (2002), Jimenez và Saurina (2004), Kohansal và Mansoori (2009), Hạ Thị Thiều Dao (2010)
+/-
9 Tài sản đảmbảo (ii) Yếu tốthuộc khoản vay
Kohansal và Mansoori (2009), Lê Huuyền Thiên Phú (2013), Nguyễn
Phúc Mẫn (2015) +
(Nguồn: Tác giả tổng hợp)
Kết quả tổng hợp trong bảng trên là cơ sở để tác giả xây dựng các biến độc lập trong mô hình nghiên cứu trong Chương 3.
KẾT LUẬN CHƯƠNG 2
Từ việc tìm hiểu, tổng hợp các lý thuyết cơ bản về hoạt động cho vay KHCN và khả năng trả nợ của KHCN tại các NHTM cùng với kết quả của các đề tài nghiên cứu trong và ngoài nước có liên quan, Chương 2 của khoá luận đã xác định các nhóm yếu tố tác động trực tiếp và gián tiếp đến khả năng trả nợ của KHCN, bao gồm (i) Nhóm yếu tố thuộc về khách hàng vay như: yếu tố đặc điểm nhân khẩu học, tình hình tài chính của người vay, dư nợ và lịch sử tín dụng của người vay và (ii) Nhóm yếu tố thuộc về đặc điểm khoản vay, như quy mô khoản vay, thời hạn vay, lãi suất, tài sản đảm bảo cho khoản vay. Khi nghiên cứu khả năng trả nợ của KHCN, có nhiều phương pháp được các nhà nghiên cứu sử dụng, bao gồm cả phương pháp định tính và định lượng. Các nghiên cứu đã trình bày trong chương này là tiền đề để tác giả đưa ra quyết định lựa chọn mô hình Binary Logistic để đo lường khả năng trả nợ của KHCN tại Agribank Bến Cát.
CHƯƠNG 3. PHƯƠNG PHÁP NGHIÊN CỨU 3.1. MÔ HÌNH NGHIÊN CỨU
Mô hình hồi quy Binary Logistic
Mô hình hồi quy Logistic thường được áp dụng trong trường hợp biến phụ thuộc chỉ nhận hai giá trị (ví dụ, khi biến phụ thuộc là khả năng trả nợ của người tiêu dùng, hai giá trị tương ứng với hai trường hợp là khách hàng có khả năng trả nợ và khách hàng không có khả năng trả nợ). Theo Karl (2014), mô hình hồi quy Logistic được sử dụng để dự đoán một biến phụ thuộc (thường là nhị phân) từ một tập hợp các biến độc lập. Hồi quy Logistic đặc biệt phổ biến trong nghiên cứu y khoa, trong đó biến phụ thuộc là bệnh nhân có mắc bệnh hay không. Đối với hồi quy Logistic, kết quả của phương trình là xác suất và dựa vào xác suất để xác định giá trị sau cùng của biến phụ thuộc. Simon (2007) nói rằng hồi quy Logistic là phương pháp phổ biến nhất được sử dụng để phản hồi dữ liệu nhị phân. Khi phản hồi là nhị phân, nó thường có dạng 1/0, với 1 thường biểu thị thành công và 0 thường là thất bại. Tuy nhiên, các giá trị thực tế mà 1 và 0 có thể nhận rất khác nhau, tùy thuộc vào mục đích của nghiên cứu.
Trong hồi quy Logistic, có 2 khái niệm cần hiểu rõ đó là odds và logit.
- Nếu gọi P là xác suất xảy ra của một biến cố, ta có: � = � với x là số đối tượng
�
có một đặc điểm (như bệnh, tử vong, biến cố…) trong tổng số n đối tượng thì
odds (biến cố xảy ra) là tỉ số của xác suất biến cố xảy ra trên xác suất biến cố
không xảy ra, hay nói cách khác: ���� = �
1−�. Ví dụ, chúng ta khảo sát ngẫu nhiên 100 người thì có 25 người hút thuốc lá. Do đó, xác suất hút thuốc lá là 25/100 = 0,25. Theo định nghĩa trên, odds hút thuốc lá là 0,25/0,75 = 0,33, tức cao hơn xác suất.
- Logit là một hàm hoán chuyển của xác suất (P), và được định nghĩa như sau: �����(�) = log( � )(3.1)
Trong đó, log là logarithm tự nhiên. Bởi vì P/(1-P) chính là odds. Do đó, logit(P) chính là log(odds):
�����(�) = log(����) (3.2) Tóm lại, phương pháp này tương tự như phương pháp hồi quy tuyến tính nhưng được xây dựng cho mô hình với biến nhị phân chỉ nhận hai giá trị tương ứng với sự có hoặc không có của một kết quả. Các hệ số trong phương trình hồi quy có thể được sử dụng để ước tính tỷ số odds cho từng biến độc lập trong mô hình.
Ưu điểm của mô hình Logistic
- Mô hình Logistic là mô hình định lượng thể hiện tính khách quan, nhất quán, không phụ thuộc vào ý kiến chủ quan và khắc phục được những điểm yếu của phương pháp định tính 5C
- Kỹ thuật đo lường của mô hình Logistic đơn giản. Người phân tích có thể ước lượng các tham số của mô hình thông qua các phần mềm như SPSS, Eviews, Stata…
- Mô hình có khả năng đo lường mức độ ảnh hưởng của từng biến độc lập đến biến phụ thuộc. Đây là ưu điểm vượt trội của mô hình Logistic so với các mô hình xếp hạng tín dụng truyền thống
- Mô hình có thể dễ dàng bổ sung và sửa đổi các biến độc lập để xác định tác động của từng yếu tố đến khả năng trả nợ của khách hàng.
Nhược điểm của mô hình Logistic
- Vì là một mô hình định lượng nên kết quả thử nghiệm có thể trái với lý thuyết - Mô hình phụ thuộc vào độ lớn của mẫu và độ chính xác của thông tin. Trong
trường hợp số lượng biến độc lập không đủ, mô hình có thể mắc lỗi khi bỏ qua tác động của một số biến độc lập quan trọng đến biến phụ thuộc (Pallant, 2011).
Mô hình Logistic phát biểu như sau: �
log( ) =
� + � � + � � … + � � + � (3.3)
1 − � 0 1 1 2
Hay viết cách khác, xác suất � được xác định bởi công thức: ��0+�1�1+�2�2+⋯ +����+� �� (3.4) � = 1 + ��0+�1�1+�2�2+⋯+����+� = 1 + ��
Trong đó: �� là các biến độc lập (biến định lượng)
Y là biến phụ thuộc (biến nhị phân nhận giá trị 1 hoặc 0) �0 … ��là các hệ số hồi quy
� là sai số đại diện cho ảnh hưởng của các biến bị bỏ qua Giá trị e = 2,714
Trong mô hình trên, �� không phải là một hàm tuyến tính của các biến độc lập mà được gọi là hàm phân phối logistic. Trong hàm này, khi ���� nhận giá trị từ −∞ đến +∞, ��nhận giá trị từ 0 đến 1, phi tuyến tính cho cả X và tham số B. Điều này có nghĩa là chúng ta không thể áp dụng trực tiếp phương pháp bình phương tối thiếu (OLS) mà phải dùng phương pháp hợp lý tối đa (ML) để ước lượng B. Sau khi ước lượng, có thể tính xác suất �′� = ��(� = 1|��):
exp (�′ ���) ′ �� = 1 + exp (�′ � ) (3.5) � �
Do đó, trong mô hình Logit, không thể nghiên cứu ảnh hưởng trực tiếp của biến độc lập �� lên Y mà xem xét ảnh hưởng của �� đến xác suất Y nhận giá trị bằng 1. Ảnh hưởng của yếu tố �� đến xác suất ��được tính như sau:
�� � �� exp (�′ ���) = (1 + exp(�′ � ))2 �� = ��(1 − ��)�� (3.6) � � �
Bên cạnh đó, một mô hình tối ưu phải đáp ứng ba yêu cầu cơ bản: đơn giản, đầy đủ và có ý nghĩa thiết thực. Các tiêu chuẩn đơn giản yêu cầu các mô hình có ít biến độc lập. Với quá nhiều biến, vấn đề giải thích và phân tích trở nên khó khăn và đôi khi không thực tế. Ví dụ, một mô hình có 3 biến độc lập có thể mô tả dữ liệu tương đương với 5 biến độc lập, thì mô hình đầu tiên được chọn. Mô hình đơn giản là mô hình tiết kiệm. Tiêu chuẩn về thực nghĩa là mô hình phải vừa lý thuyết vừa thực
tế. Đây là một tiêu chí quan trọng, bởi vì nếu một phân tích thống kê dẫn đến một mô hình rất có ý nghĩa về mặt toán học nhưng không có ý nghĩa về mặt thống kê thì mô hình đó không có giá trị khoa học. Việc xác định mô hình tối ưu trong phạm vi của khoá luận sẽ được thực hiện dựa vào các kiểm định dưới đây:
3.1.1. Kiểm định đa cộng tuyến
Trong thống kê, đa cộng tuyến (còn được gọi là tính cộng tuyến) là hiện tượng trong đó một biến dự báo trong mô hình hồi quy có thể được dự đoán tuyến tính từ các biến khác với mức độ chính xác đáng kể. Trong trường hợp này, các ước lượng hệ số hồi quy có thể thay đổi thất thường để đáp ứng với những thay đổi nhỏ trong mô hình hoặc dữ liệu. Ví dụ, có hai biến độc lập A và B, theo đó nếu A tăng, B tăng và ngược lại. Đa cộng tuyến không làm giảm tính chính xác của dự đoán hoặc độ tin cậy của mô hình nói chung, ít nhất là trong tập dữ liệu mẫu; nó chỉ ảnh hưởng đến các tính toán liên quan đến các yếu tố dự đoán riêng lẻ. Nghĩa là, một mô hình hồi quy đa biến với các yếu tố đa cộng tuyến có thể cho biết toàn bộ nhóm các yếu tố dự báo dự đoán biến kết quả tốt như thế nào, nhưng nó có thể không đưa ra kết quả hợp lệ về bất kỳ yếu tố dự đoán riêng lẻ nào. Nếu Variance Inflation Factor (VIF) > 2 thì hiện tượng đa cộng tuyến có thể xảy ra. Nếu VIF > 10, thì chắc chắn có đa cộng tuyến trong mô hình. Nếu VIF < 2, đây là một dấu hiệu tích cực cho thấy không có đa cộng tuyến xảy ra. Có nghĩa là các biến độc lập không tương quan với nhau (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
3.1.2. Kiểm định mức độ phù hợp
Có một sự khác biệt đáng kể giữa Log-likelihood (cụ thể là -2LL) của mô hình cơ sở và mô hình mới. Nếu mô hình đề xuất có -2LL thấp hơn so với mô hình cơ sở thì điều đó cho thấy rằng mô hình đề xuất phù hợp hơn và là một cải tiến. Để tránh nhầm lẫn các vấn đề, có ba phiên bản khác nhau bao gồm: Step, Block và Model. Model luôn so sánh mô hình đề xuất với mô hình cơ sở. Step và Block chỉ quan trọng nếu thêm các biến giải thích vào mô hình theo từng bước hoặc phân cấp. Nếu chúng ta đang xây dựng mô hình theo từng giai đoạn thì các phiên bản này sẽ so sánh -2LL
của mô hình đề xuất với phiên bản trước đó để xác định xem mỗi tập hợp biến giải thích mới có đang cải thiện hay không. -2LL càng nhỏ thì độ phù hợp của mô hình càng cao. Giá trị nhỏ nhất của -2LL là 0 (không có sai số) thì mô hình có sự phù hợp hoàn hảo. Giá trị R2 cho chúng ta biết gần đúng mức độ biến thiên trong kết quả được giải thích bởi mô hình.
3.1.3. Kiểm định ý nghĩa thống kê của các hệ số
Hồi quy Logistic cũng yêu cầu kiểm định giả thuyết null. Wald Chi-Square được sử dụng để kiểm tra ý nghĩa thống kê của hệ số hồi quy tổng thể. Cách sử dụng Sig cho kiểm định Wald cũng tuân theo các quy tắc thông thường. Wald Chi- Square được tính bằng cách lấy ước tính hệ số hồi quy của biến độc lập trong mô hình logistic chia cho sai số chuẩn của ước tính hệ số hồi quy, được bình phương theo công thức:
Wald Chi-Square = [ � ]2
)
��(�
3.1.4. Kiểm định mức độ phù hợp tổng quát
Trong hồi quy Logistic, sự kết hợp tuyến tính của tất cả các hệ số trong mô hình hồi quy cũng được thử nghiệm để giải thích ảnh hưởng của chúng lên biến phụ thuộc. Sử dụng kiểm định Chi-Square cho giả thuyết:
H0: B1=B2=B3...=0 H1: B1≠B2≠B3...≠0
Dựa trên mức ý nghĩa được từ kết quả chạy SPSS trong bảng Omnibus Tests of Model Coefficients để quyết định xem để từ chối hoặc chấp nhận H0. The Omnibus Tests of Model Coefficientsis được sử dụng để xác định hệ số của các biến độc lập. Nếu sig < 5%, giả thuyết H0 bị bác bỏ và ngược lại. Nó có nghĩa là tất cả
các hệ số đều khác nhau và khác 0. Hơn nữa, mô hình này cũng được sử dụng để kiểm định rằng mô hình đề xuất (có bao gồm các biến giải thích) có là một cải tiến so với mô hình cơ sở hay không.
3.2. BỐI CẢNH NGHIÊN CỨU VÀ MÔ HÌNH NGHIÊN CỨU TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM – CHI NHÁNH THỊ XÃ BẾN CÁT BÌNH DƯƠNG
3.2.1. Bối cảnh nghiên cứu – Giới thiệu về Agribank Bến Cát
3.2.1.1. Sơ lược về quá trình hình thành
Quá trình hình thành và phát triển của Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam - Chi nhánh Thị xã Bến Cát Bình Dương gắn liền với sự hình thành và phát triển của Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam. Trước năm 1988, Agribank Bến Cát chính là Ngân hàng Nhà nước huyện Bến Cát, trực thuộc Ngân hàng Nhà nước tỉnh Sông Bé, hoạt động theo cơ chế bao cấp. Ngày 19/6/1988, theo quyết định số 340/QĐ-NHNo-02 của Tổng Giám đốc Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam, Ngân hàng Nông nghiệp Bến Cát chính thức đổi tên thành Ngân hàng Nông nghiệp và Phát triển Nông thôn huyện Bến Cát (nay là thị xã Bến Cát), trụ sở đường 30/4, khu phố 2, phường Mỹ Phước, thị xã Bến Cát, tỉnh Bình Dương. Đây là Chi nhánh loại II trực thuộc Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam chi nhánh tỉnh Bình Dương, hoạt động theo hình thức doanh nghiệp Nhà nước, hạch toán độc lập và có tư cách pháp nhân. Ngoài ra, Chi nhánh còn có 01 Phòng giao dịch trực thuộc có địa chỉ tại Ấp Xà Mách, Thị trấn Lai Uyên, Huyện Bàu Bàng, Tỉnh Bình Dương nhằm phục vụ các nhu cầu về sản phẩm, dịch vụ ngân hàng cho dân cư trên địa bàn huyện Bàu Bàng và các xã, phường, thị trấn thuộc huyện Phú Giáo lân cận.
3.2.1.2. Tổng quan về tình hình hoạt động tín dụng cá nhân Doanh sô cho vay
Trong 3 năm gần đây, hoạt động cho vay KHCN của ngân hàng diễn ra rất tốt, cụ thể là doanh số cho vay liên tục tăng ổn định qua các năm. Dưới đây là doanh thu cho vay KHCN của Agribank Bến Cát.
Bảng 3.1. Doanh số cho vay KHCN Agribank Bến Cát giai đoạn 2018 – 2020 Đơn vị tính: triệu VND Năm Chỉ tiêu 2018 2019 2020 2019/2018 2020/2019 +/- % +/- % Cho vay ngắn hạn 430.810 453.281 411.778 22.472 5,22 -41.503 -9,16 Cho vay trung hạn 526.736 625.726 694.217 98.990 18,79 68.491 10,95 Doanh số cho vay 957.545 1.079.008 1.105.996 121.462 12,68 26.988 2,50 (Nguồn: Agribank Bến Cát)
Từ Bảng 3.1 ta thấy, doanh số cho vay cá nhân của Chi nhánh tăng đều và ổn định qua các năm. Cụ thể, trong cơ cấu doanh số cho vay cá nhân của Chi nhánh thì cho vay trung hạn luôn chiếm tỷ trọng cao nhất và tăng qua các năm, đóng góp chủ yếu vào sự tăng trưởng của tổng doanh số. Bên cạnh sự tăng cao của doanh số cho vay trung hạn, cho vay ngắn hạn có sự biến động nhưng nhìn chung có xu hướng giảm trong giai đoạn 2018 - 2020.
Tóm lại, doanh số cho vay cá nhân tăng qua từng năm. Đặc biệt, trong giai đoạn 2019 – 2020, tác động của đại dịch Covid-19 đến ngành ngân hàng là không nhỏ tuy nhiên Chi nhánh vẫn duy trì được sự tăng trưởng trong doanh số cho vay cá