Chương 3 sẽ trình bày về các nội dung về quy trình, phương pháp nghiên cứu cũng như cách thức thực hiện nghiên cứu như thế nào qua đó giúp tác giả thực hiện thu thập thông tin, số liệu hỗ trợ cho quá trình nghiên cứu. Cụ thể:
3.1. Quy trình nghiên cứu
Quy trình thực hiện nghiên cứu này được tóm tắt gồm các bước như sau:
Bước 1: Xác định tính cấp thiết của vấn đề từ đó xác định mục đích, mục tiêu
của nghiên cứu.
Bước 2: Dựa vào các tài liệu tham khảo, nghiên cứu đưa ra một số cơ sở lý
luận về tín dụng, xếp hạng tín dụng, các yếu tố ảnh hưởng đến việc xếp hạng tín dụng.
Bước 3: Xác định phương pháp nghiên cứu, cách thức thu thập số liệu
Bước 4: Thu thập số liệu từ các khách hàng đang có khoản vay tại FE Credit,
các báo cáo về tình hình dịch bệnh Covid-19 đồng thời thảo luận, trao đổi với một số nhân viên làm công tác rủi ro tại FE Credit từ đó đưa ra nhận định về các yếu tố ảnh hưởng đến khả năng trả nợ của các khách hàng tín dụng hiện tại của FE Credit
Bước 5: Thực hiện thống kê mô tả số liệu để xác định có cái nhìn tổng quan
về những thơng tin đặc trưng của dữ liệu. Kiểm định mức độ tương quan giữa các biến để phát hiện các biến có mức độ tương quan như thế nào để từ đó đưa ra giải pháp phù hợp.
Bước 6: Tiến hành ước lượng, kiểm định mơ hình thơng qua mơ hình hồi quy
Binary Logistic bằng phần mềm SPSS để kiểm định tính phù hợp của mơ hình, mức độ ý nghĩa của các biến độc lập, khả năng dự báo của các mơ hình.
Bước 7: Nhận xét, đánh giá kết quả kiểm định mơ hình; đề xuất các yếu tố
đưa vào mơ hình chấm điểm tín dụng của FE Credit trong bối cảnh dịch bệnh Covid-19 hiện nay.
Bước 8: Thảo luận và kết luận 3.2. Xây dựng mơ hình nghiên cứu
3.2.1. Cơ sở lựa chọn mơ hình nghiên cứu
Với mục tiêu là đưa ra được một mơ hình chấm điểm tín dụng cá nhân phù hợp với tình hình thực tế hiện nay qua đó giúp FE Credit có được kết quả kinh doanh như kế hoạch, giảm tỷ lệ nợ xấu hiện nay xuống mức quy định của NHNN hay nói cách khác đó là FE Credit cần hồn thiện mơ hình chấm điểm tín dụng cá nhân để có thể cải thiện khả dự đốn chính xác khả năng trả nợ của khách hàng từ đó đưa ra những quyết định tín dụng hiệu quả, chính xác nhưng đảm bảo mơ hình đơn giản và phù hợp với thực tế, dễ dàng thu thập dữ liệu.
Trước những yêu cầu nêu trên và dựa trên cơ sở các nghiên cứu trước đây, tác giả nhận thấy đa số các nghiên cứu trước đây đều sử dụng đánh giá các dữ liệu thu thập được bằng cách kiểm định, đánh giá các mơ hình XHTD thơng qua mơ hình hồi quy Binary Logistic để kiểm định, đánh giá độ phù hợp của mơ hình, mức độ ý nghĩa của các biến độc lập của mơ hình hiện tại với mơ hình đề xuất từ đó đưa ra đề xuất mơ hình phù hợp với tình hình thực tế. Với phạm vi của nghiên cứu và điều kiện thu thập dữ liệu của tác giả, nghiên cứu này cũng sử dụng phương pháp kiểm định, đánh giá các mơ hình XHTD thơng qua mơ hình hồi quy Binary Logistic trong đó các biến đề xuất bổ sung được phân tích, đánh giá từ thực tiễn những tác động của dịch bệnh Covid-19 đến hoạt động kinh tế-xã hội nói chung và hoạt động tín dụng tiêu dùng nói riêng. Từ việc phân tích này, nghiên cứu đưa ra đề xuất mơ hình chấm điểm tín dụng phù hợp với hồn cảnh hiện tại.
Nghiên cứu thực hiện việc phân tích, đánh giá mơ hình hồi quy để đưa ra nhận xét về mức độ phù hợp, mối tương quan, mức độ dự báo của các mơ hình.
- Mơ hình 1: Gồm 01 biến phụ thuộc và 10 biến độc lập. - Mơ hình 2: Gồm 01 biến phụ thuộc và 16 biến độc lập.
Nếu xuất hiện biến khơng có ý nghĩa thì sẽ thực hiện loại biến đó và phân tích mơ hình hồi quy mới từ đó đưa ra kết luận.
Theo Hoàng Trọng – Chu Nguyễn Mộng Ngọc (2008, tr 1) thì mơ hình Binary Logistic là mơ hình hồi quy mà biến phụ thuộc làm một biến nhị phân chỉ nhận hai giá trị 0 và 1. Mơ hình này dùng để dự đốn xác suất khách hàng trả nợ hay khơng có khả năng trả nợ trên cơ sở thông tin các biến độc lập đưa vào mơ hình.
- Xác suất khách hàng có khả năng trả nợ được ký hiệu là P
- Tỷ lệ so sánh giữa hai xác suất Odds (ký hiệu là O): Xác suất khách hàng có khả năng trả nợ (P) và xác suất khách hàng khơng có khả năng trả nợ (1-P).
O = � 1 −� (O sẽ khơng xác định khi P=1) Như vậy ta có: P= � �+1
Như vậy, xác suất P là một hàm theo O và được xác định như sau:
� = 1 � 1+�−�� Trong đó, Z= �0 + �1�1 + �2�2 + ⋯ + ���� ; �� ∈ (0,1) ; ��((((((((((((((( = ̅1̅ ,̅ ̅�̅ ̅)
Odds của 2 trường hợp trên được tính bằng cơng thức: O= �� = 1+���
= ��� 1 − − − − − − − − − − − − − −− � ++++++++++++++1+ −−−−−−−−−−−−−−− �
Lấy Log cơ số 2 của Odds ta có dạng hàm mơ hình hồi quy Logit như sau: � = ln ( �� ) = = � + � +� � + ⋯ +
� 1−−−−−−−−−−−−−−−
� � 0 1 1 2 2
Trong đó:
+ ��((((((((((((((( = ̅1̅,̅̅�̅̅) : Là các biến độc lập + �0: Hằng số hồi quy
+ �1, 2, … , �: Hệ số hồi quy
hiện tại của FE Credit và đề xuất mơ hình phù hợp với tình hình dịch bệnh Covid- 19 hiện tại tại Việt Nam vì vậy dữ liệu thu thập cần được phân bổ đầy đủ các
khách hàng đang có khoản vay tiêu dụng tại FE Credit từ tháng 12/2018 đến tháng 12/2021.
Trên cơ sở lựa chọn phương pháp thu thập dữ liệu và phương pháp nghiên cứu nêu trên, nghiên cứu xác định số mẫu quan sát. Sử dụng SPSS để loại bỏ các mẫu quan sát không phù hợp, sử dụng phương pháp thống kê mô tả dữ liệu để có các đánh giá tổng quản về những thơng tin đặc trưng của các mẫu quan sát. Đồng thời trên cơ sở các đánh giá về tác động của dịch bệnh Covid-19 đến kinh tế-xã hội cũng như khách hàng mục tiêu của FE Credit, nghiên cứu đề xuất mơ hình mới trong đó bổ sung, thay thế một số biến của mơ hình chấm điểm hiện tại. Sau đó sử dụng mơ hình hồi quy để so sánh sự phù hợp của các mơ hình, ý nghĩa của các hệ số, kiểm định độ phù hợp tổng quát từ đó đưa ra các đánh giá về kết quả nghiên cứu.
3.2.3.Kích cỡ mẫu
Theo PGS.TS Đinh Phi Hổ (2021, tr.277) thì Mơ hình hồi quy Bianry Logistic là một mơ hình hơi quy với dữ liệu chéo. Do đó, theo Green (1991), đối với mơ hình hồi quy với dạng dữ liệu chéo thì cỡ mấu tối thiểu là n ≥ 50 + kP;
Trong đó: n: cỡ mẫu;
P: Số biến độc lập; nghiên cứu này có số biến độc lập là P= 16
k: 5 hoặc 10, k càng lớn thì sai số của mẫu càng nhỏ do đó nghiên cứu này lựa chọn k = 10.
Theo cơng thức nêu trên thì cơ mẫu tối thiểu cần có là: n = 50 + 10*16=210 (mẫu).
Mặc dù vậy, trên cơ sở các nghiên cứu trước đây, với mong muốn tăng tính chính xác khi phân tích mơ hình hồi quy, tăng tính ứng dụng của nghiên cứu vào trong thực tế và khả năng thu thập số liệu của nghiên cứu thì để tăng độ chính xác
3.2.4.Các biến của mô hình nghiên cứu
3.2.4.1. Biến phụ thuộc
Biến phụ thuộc có nhiều biến độc lập và địi hỏi biến phụ thuộc này phải có khả năng phân biệt tốt nhất và duy nhất trên cơ sở tập hợp các biến độc lập đưa vào trong mơ hình. Trong nghiên cứu này, biến phụ thuộc (Y) được lựa chọn như sau:
Y=1 nếu khách hàng có khả năng trả nợ
Y=0 nếu khách hàng khơng có khả năng trả nợ
3.2.4.2. Biến độc lập
* Mơ hình 1
Biến độc lập sử dụng trong mơ hình này là các yếu tố mà mơ hình chấm điểm tín dụng hiện tại mà FE Credit đang sử dụng, các giả thiết của các biến này như sau: - Biến độ tuổi của khách hàng (X1), nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (+) tức là khách hàng có tuổi càng trẻ thì có khả năng trả nợ tốt hơn.
- Biến giới tính (X2), nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (+) tức là khách hàng nam sẽ có khả năng trả nợ tốt hơn khách hàng nữ.
- Biến tình trạng hơn nhân (X3), nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (+) tức là khách hàng đã có gia đình sẽ có khả năng trả nợ tốt hơn những khách hàng còn lại (độc thân, đã ly hơn).
- Biến trình độ học vấn (X4), nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (+) tức là khách hàng có trình độ học vấn càng cao thì khả năng trả nợ càng tốt.
- Biến chỉ số rủi ro của hợp đồng DSA_Code trong vòng 24 tháng (X5), đây là chỉ số đánh giá các rủi ro của nhân viên bán hàng của FE Credit khi bán các sản phẩm tín dụng cho khách hàng có mức độ nợ xấu như thế nào; nghiên cứu đưa ra
- Biến chỉ số rủi ro của khách hàng cùng cơng ty trong vịng 24 tháng (X6), đây là biến chỉ mức độ rủi ro của khách hàng khi thực hiện các khoản vay tại cùng một cơng ty có sử dụng dịch vụ của FE Credit, nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (-) tức là chỉ số rủi ro của khách hàng cùng cơng ty trong vịng 24 tháng càng thấp thì khách hàng có khả năng trả nợ tốt hơn.
- Biến DPD lớn nhất của những khách hàng liên kết (X7), đây là biến chỉ số ngày khách hàng trễ hạn đóng lãi lớn nhất trong suốt chu kỳ vay tín dụng của FE Credit, nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (-) tức là khách hàng có số ngày đóng trễ lãi càng lớn thì thì khách hàng đó có khả năng khơng trả nợ.
- Biến số năm làm việc của khách hàng hiện tại (X8), đây là biến chỉ số năm làm việc của khách hàng tại công ty hiện tại, nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (+) tức là khách hàng càng gắn kết với công ty hiện tại, số năm làm việc tại cơng ty càng lớn thì khách hàng càng có nhiểu khả năng trả nợ tốt hơn.
- Biến khách hàng liên kết có từng bị từ chối hay khơng (X9), đây là biến số chỉ việc trước khi đề nghị khoản vay hiện tại với FE Credit thì khách hàng đã từng bị từ chối hay không, nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (-) tức là khách hàng nếu chưa từng bị từ chối bởi FE Credit thì có khả năng trả nợ tốt hơn.
- Biến nơi ở (X10), nghiên cứu đưa ra giả thiết biến này có tác động mang dấu (-) tức là nếu khách hàng đang ở cách tỉnh thành này thì có nhiều khả năng sẽ khơng có khả năng trả nợ.
* Mơ hình 2
Biến độc lập sử dụng trong mơ hình 2 là các biến độc lập tại mơ hình 1 và bổ sung thêm một số biến mới mà nghiên cứu đề xuất dựa trên việc phân tích các yếu tố ảnh hưởng của dịch bệnh Covid-19, kết quả phỏng vấn một số nhân viên của FE Credit về các yếu tố ảnh hưởng đến mơ hình chấm điểm tín dụng cá nhân tại FE Credit.
có sẵn, nghiên cứu này đưa ra một số yếu tố ảnh hưởng có khả năng gây ảnh hưởng đến việc chấm điểm tín dụng trong bối cảnh hiện nay. Đồng thời, nghiên cứu thực hiện thảo luận với một số nhân viên làm tại bộ phận quản trị rủi ro của FE Credit và một số người dân để thu thập, nhận định các yếu tố ảnh hưởng của dịch bệnh đến khả năng trả nợ của khách hàng. Các phân tích nhận định nêu trên sẽ là cơ sở để đưa ra các biến độc lập mới cho mơ hình 2 để so sánh, đánh giá với mơ hình 1 từ đó có những đề xuất hồn thiện mơ hình chấm điểm tín dung cá nhân của FE Credit phù hợp với tình hình hiện nay.
Theo báo cáo của Tổng cục Thống kê (2022) thì tổng sản phẩm trong nước (GDP) đã tăng so với thời kỳ trước, theo thống kê thì Q I năm 2022 ước tính tổng sản phẩm trong nước tăng 5,03% so với cùng kỳ năm trước, cao hơn tốc độ tăng 4,72% của quý I năm 2021 và 3,66% của quý I năm 2020 nhưng vẫn thấp hơn tốc độ tăng 6,85% của quý I năm 2019. Trong đó, lực lượng lao động, số người có việc làm quý I năm 2022 tăng so với Quý I/2021, đặc biệt lao động trong ngành dịch vụ tăng đáng kể so với quý trước, thu nhập bình quân tháng của người lao động tăng so với quý trước và so với cùng kỳ năm trước. Cụ thể:
- Tình hình lao động, việc làm: Cùng với nỡ lực của Chính phủ trong việc
triển khai các hoạt động sản xuất, kinh doanh, đời sống xã hội, sớm khắc phục những khó khăn, thách thức, tận dụng cơ hội để đẩy nhanh quá trình phục hồi và phát triển kinh tế - xã hội của đất nước thì bước đầu đã có một số hiệu quả đối với thị trường lao động Việt Nam.
+ Về số lực lượng lao động (trên 15 tuổi): Theo nội dung báo cáo thì lực
lượng lao động của Việt Nam trong Quý I năm 2022 đạt 51,2 triệu người tăng 0,2 triệu người so với cùng kỳ năm trước và bằng với số lực lượng lao động tại thời điểm bắt đầu đại dịch Covid-19 (Quý I năm 2020). Tình trạng thiếu việc làm giảm mạnh và đang dần trở lại trạng thái như đ ở thời kỳ trước khi dịch bệnh xảy ra. Tình trạng thiếu việc làm của người lao động quý I năm 2022 là khoảng 1,3 triệu người, giảm 135,2 nghìn người so với quý trước và tăng 357,5 nghìn người so với cùng kỳ
Cửu Long với 4,0%. Đặc biệt, tình trạng thiếu việc làm của vùng Đơng Nam Bộ đã có nhiều chuyển biến tích cực (Q I/2022 tỷ lệ thiếu việc là tại vùng này đạt mức thấp nhất cả nước, đạt 1,60%).
Đơn vị tính: Triệu người
Biểu đồ 3.1: Lực lượng lao động theo quý, giai đoạn 2020-2022
Nguồn: Báo cáo tác động của dịch Covid-19 đến tình hình lao động, việc làm giai đoạn 2020-2022 của Tổng cục Thống kê, Bộ Kế hoạch và đầu tư
Theo báo cáo thì hiện nay mặc dù số người từ 15 tuổi trở lên chịu ảnh hưởng của dịch Covid-19 đã giảm nhưng cả nước vẫn còn hơn 16,9 triệu người từ 15 tuổi trở lên đang bị ảnh hưởng tiêu cực của dịch bệnh Covid-19, giảm mạnh so với Quý IV/2021 nhưng vẫn còn cao so với quý I/2021, con số này trong quý I/2021 là 9,1 triệu người.
Theo số liệu thống kê trong 16,9 triều người mất việc thì có đến 18,3 % người lao động bị giảm thu nhập (khoảng 13,7 triệu người); con số tương ứng với số người lao động bị mất việc; tạm nghỉ/tạm ngừng sản xuất kinh doanh và bị cắt giảm giờ làm hoặc buộc phải nghỉ giãn việc, nghỉ luân phiên là 1,2 % (0,9 triệu người); 6,7 % (5,1 triệu
51.25 51.2 51.15 51.1 51.05 51 50.95 50.9 1.11 51.2 51.2 1.115 1.11 1.105 1.1 1.095 1.09 1.085 1.08 1.075 1.07 1.065 Quý I/2020 Quý I/2021 Quý I/2022
Tổng số lượng lực lượng lao động Số lao động thất nghiệp
51 8
1.09
triệu người cho biết họ bị cắt giảm giờ làm hoặc buộc phải nghỉ giãn việc, nghỉ luân phiên và 6,5 triệu lao động báo cáo họ bị giảm thu nhập.
Bên cạnh đó, về khu vực địa lý thì 02 vùng là Đồng bằng sông Hồng và Đông