Hiện tượng đa cộng tuyến

CHƯƠNG 4 KẾT QUẢ NGHIÊN CỨU

4.2. Kết quả ước lượng mơ hình hồi quy Binary Logistic

4.2.1. Hiện tượng đa cộng tuyến

Kết quả giá trị hệ số phóng đại phương sai VIF các mơ hình như sau:

Bảng 4.2: Kết quả chỉ số phóng đại phương sai của nghiên cứu

STT Biến Hệ số VIF mô hình 1 Hệ số VIF mô hình 2 Hệ số VIF mô hình 3 1 X1 1.277 1.323 1.206 2 X2 1.023 1.030 1.026 3 X3 1.235 1.254 1.249 4 X4 1.055 1.237 1.216 5 X5 2.618 2.691 6 X6 4.800 4.832 7 X7 3.234 3.264 1.040 8 X8 1.138 1.276 9 X9 1.016 1.022 1.012 10 X10 1.029 1.047 1.037 11 X11 1.084 1.046 12 X12 1.262 13 X13 3.048 2.245 14 X14 2.507 2.294 15 X15 1.680 16 X16 1.216 1.190

Qua kết quả về chỉ số VIF nêu trên có thể thấy giá trị VIF của các biến đều nhỏ hơn 10 vì vậy mơ hình đưa ra khơng có hiện tượng đa cộng tuyến cao tức là các biến khơng có mối quan hệ tuyến tính chặt với nhau vì vậy khơng cần phải loại bỏ biến nào ra khỏi mơ hình.

4.2.2. Sự phù hợp và mức độ phù hợp của các mô hình

Bảng 4.3: Kết quả hệ số hồi quy và mức ý nghĩa thống kê của các biến độc lập

STT Biến Giả thiết Mơ hình 1 Mơ hình 2 Mơ hình 3

𝜷 Sig. 𝜷 Sig. 𝜷 Sig.

1 X1 + .043 .001 .094 .000 .095 .000 2 X2 + .539 .012 1.145 .000 1.151 .000 3 X3 + .617 .009 1.007 .001 1.032 .001 4 X4 + -.074 .779 1.711 .000 1.736 .000 5 X5 - -.131 .576 .003 .993 6 X6 - -.138 .687 .168 .713 7 X7 - -.019 .000 -.028 .000 -.026 .000 8 X8 + .047 .042 .022 .426 9 X9 - -1.439 .000 -1.999 .000 -1.941 .000 10 X10 - -3.009 .000 -4.319 .000 -4.307 .000 11 X11 + 1.930 .000 1.936 .000 12 X12 + .032 .933 13 X13 - -.083 .000 -.094 .000 14 X14 - -1.293 .006 -1.383 .002 15 X15 + .000 .054 16 X16 - -2.822 .000 -2.913 .000 Constant .188 .733 .382 .647 .503 .440 Một số nhận xét:

- Mô hình 1: Đây làm mơ hình có các biến độc lập là các tiêu chí chấm điểm

tín dụng cá nhân hiện tại của FE Credit. Kết quả hồi quy cho thấy:

+ Các biến X4 (trình độ học vấn), X5 (chỉ số rủi ro của hợp đồng cùng

trong vòng 24 tháng) khơng có ý nghĩa thống kê do giá trị sig > 0.05; điều này có nghĩa là các biến này khơng có khả năng dự báo khả năng trả nợ của khách hàng.

+ Dấu của hệ số hồi quy các biến: Đa số các biến đều có tác động đúng với giả thuyết đã đưa ra, riêng hệ số hồi quy của biến X4 (trình độ học vấn) kết quả cho dấu (-) điều này trái với giả thiết tức là với dữ liệu phân tích thì khách hàng có trình độ học vấn cao hơn có khả năng trả nợ thấp hơn những khách hàng khác.

- Mơ hình 2: Đây là mơ hình mà nghiên cứu đề xuất đưa các biến từ X11 đến

X16 vào mơ hình với giả định các biến này có ảnh hưởng đến khả năng trả nợ của khách hàng.

Kết quả hồi quy cho thấy:

+ Các biến X5 (chỉ số rủi ro của hợp đồng cùng DSA_Code trong vòng 24

tháng và X6 (Chỉ số rủi ro của khách hàng cùng công ty trong vòng 24 tháng), X8 (số năm làm việc của khách hàng), X12 (khoản vay được mua bao hiểm), X15 (giá trị khoản vay) khơng có ý nghĩa thống kê do giá trị sig > 0.05, điều này có nghĩa là các biến này khơng có khả năng dự báo khả năng trả nợ của khách hàng.

+ Dấu của hệ số hồi quy các biến: Dấu của các biến X5 (chỉ số rủi ro của hợp đồng cùng DSA_Code trong vòng 24 tháng và X6 (Chỉ số rủi ro của khách hàng

cùng công ty trong vòng 24 tháng) trái với giả thiết. Tuy nhiên các biến này khơng có ý nghĩa thống kê tức là các biến này không ảnh hưởng hay tác động đến khả năng trả nợ của khách hàng.

- Mô hình 3: Trên cơ sở kiểm định mơ hình 2, nghiên cứu loại các biến X5,

X8, X12, X15 do khơng có ý nghĩa thống kê.

Kết quả hồi quy cho thấy:

+ Sau khi loại các biến khơng có ý nghĩa thống kê tại mơ hình 2 thì giá trị sig > 0.05 như vậy các biến được kiểm định tại mơ hình 3 đều có ý nghĩa thống kê.

+ Dấu của hệ số hồi quy thể hiện các biến độc lập tác động đến khả năng trả nợ của khách hàng phù hợp với giả thiết đưa ra.

4.2.3. Đánh giá độ phù hợp của 03 mô hình hồi quy

+ Mơ hình 1:

Bảng 4.4: Kết quả chỉ số chi bình phương và Sig của mơ hình 1

Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 173.813 10 .000

Block 173.813 10 .000

Model 173.813 10 .000

+ Mơ hình 2:

Bảng 4.5: Kết quả chỉ số chi bình phương và Sig của mơ hình 2

Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 384.917 16 .000

Block 384.917 16 .000

Model 384.917 16 .000

+ Mơ hình 3:

Bảng 4.6: Kết quả chỉ số chi bình phương và Sig của mơ hình 3

Omnibus Tests of Model Coefficients

Chi-square df Sig.

Step 1 Step 380.504 11 .000

Block 380.504 11 .000

Model 380.504 11 .000

Có thể thấy ở cả 3 mơ hình chỉ số sig kiểm định Chi-square tại hàng Model đều có giá trị bằng 0.000 < 0.05 do đó có thể kết luận mơ hình hồi quy tại 03 mơ hình là phù hợp.

4.2.4. Đánh giá mức độ phù hợp của các mô hình

Bảng 4.7: Kết quả đánh giá độ phù hợp của các mơ hình

Model Summary

Mơ hình -2 Log likelihood

(-2LL) Cox & Snell R Square Nagelkerke R Square

1 600.047a .203 .319

2 388.943a .395 .621

3 393.357a .392 .616

a. Estimation terminated at iteration number 5 because parameter estimates changed by less than .001.

- Giá trị -2LL: so sánh các giá trị -2LL của cả 3 mơ hình có thể thấy mơ hình 1 có chỉ số -2LL cao nhất tiếp đến là mơ hình 3 và mơ hình 2 có chỉ số -2LL thấp nhất. Như vậy mơ hình 1 có mức độ phù hợp thấp nhất, mơ hình 2 có mơ hình phù hợp cao nhất.

- Để tiếp tục so sánh mức độ phù hợp của mơ hình, nghiên cứu tiếp tục so sánh giá trị của chỉ số Cox & Snell R Square và Nagelkerke R Square, theo phân tích ở trên thì các chỉ số này càng cao thì mức độ phù hợp càng cao. Như vậy so sánh 02 chỉ số này thì mơ hình 2 vẫn phù hợp nhất và mơ hình 3 có mức độ phù hợp thấp nhất. Tuy nhiên các giá trị của 03 chỉ số nêu trên ở mơ hình 2, 3 có giá trị tương đương nhau tức là mơ hình 2, 3 có mức độ phù hợp tương đương nhau.

4.2.5. Mức độ dự báo của các mô hình

Qua đánh giá các giá trị nêu trên, có thể kết luận các mơ hình khơng có hiện tượng đa cộng tuyến, các biến có tác động hợp lý lên biến phụ thuộc đồng thời mơ hình có ý nghĩa thống kê. Để có thể đưa ra kết luận về mức độ phù hợp của mơ hình thì ở phần này nghiên cứu thực hiện so sánh mức độ dự báo của các mơ hình từ đó có thể kết luận về mơ hình chấm điểm tín dụng cá nhân phù hợp trong bối cảnh hiện nay.

- Mô hình 1:

Bảng 4.8: Kết quả đánh giá mức độ dự báo mơ hình 1

Classification Tablea Observed Predicted Y Percentage Correct khơng có khả năng có khả nang trả Step 1 Y khơng có khả năng 54 102 34.6 có khả nang trả 29 580 95.2 Overall Percentage 82.9

a. The cut value is .500

- Mô hình 2:

Bảng 4.9: Kết quả đánh giá mức độ dự báo mơ hình 2

Classification Tablea Observed Predicted Y Percentage Correct khơng có khả năng có khả nang trả Step 1 Y khơng có khả năng 100 56 64.1 có khả nang trả 27 582 95.6 Overall Percentage 89.2

a. The cut value is .500

- Mô hình 3:

Bảng 4.10: Kết quả đánh giá mức độ dự báo mơ hình 3

Classification Tablea Observed Predicted Y Percentage Correct khơng có khả năng có khả nang trả

Step 1 Y khơng có khả năng 98 58 62.8

có khả nang trả 26 583 95.7

Overall Percentage 89.0

a. The cut value is .500

Qua kết quả kiểm định mức độ dự báo chính xác của 03 mơ hình ta thấy trong 156 khách hàng khơng có khả năng trả nợ thì mơ hình 1 dự báo chính xác 54 khách hàng (đạt tỷ lệ 34,6 %), kết quả tương ứng với mơ hình 2 là 100 khách hàng (đạt tỷ lệ 64,1 %) và mơ hình 3 là 98 khách hàng (đạt tỷ lệ 62,8 %). Đối với dự báo khách hàng có khả năng trả nợ thì trong 609 khách hàng thì mơ hình 1 dự báo chính xác 580 khách hàng (đạt tỷ lệ 95,2 %) và kết quả tương ứng với mơ hình 2 là 582 khách hàng (đạt tỷ lệ 95,6 %) và mơ hình 3 là 583 khách hàng (đạt tỷ lệ 95,7 %).

Kết quả dự báo chính xác trung bình của các mơ hình: Căn cứ vào kết quả nêu trên về khả năng dự báo khách hàng có khả năng trả nợ của các mơ hình có thể thấy các mơ hình 1, 2, 3 đều phù hợp tuy nhiên mơ hình 1 (mơ hình ban đầu) có tỷ lệ dự báo trung bình thấp nhất 82.9 %, mơ hình 2, 3 có mức dự báo trung bình chính xác lần lượt là 89.2 % và 89 %.

Như vậy việc đề xuất bổ sung một số biến độc lập vào mơ hình ban đầu đã giúp cải thiện khả năng dự đoán khả năng trả nợ của khách hàng.

4.3. Đề xuất mô hình

Qua kết quả kiểm định mơ hình tại các mục nêu trên có thể thấy mơ hình 2 có mức độ dự báo trung bình khả năng trả nợ của khách hàng chính xác hơn 0.2 % tuy

nhiên mơ hình 3 chỉ cần đánh giá dữ liệu trên 11 biến (mơ hình 2 cần 16 biến để đưa ra mức dự báo trung bình chính xác là 89.2 %, mơ hình 3 đánh giá dữ liệu qua 11 biến và đưa ra mức dự báo chính xác là 89 %). Có thể thấy, với số biến ít hơn thì việc thu thập thơng tin của khách hàng đối với mơ hình 3 sẽ dễ dàng hơn vì vậy sẽ tiết kiệm chi phí, thời gian khơng chỉ cho cơng ty mà cũng cho cả khách hàng. Đồng thời, với mơ hình 3, nhân viên tín dụng của FE Credit có thể dễ dàng, tiết kiệm chi phí cũng như thời gian để kiểm chứng tính chính xác của các thơng tin. Ví dụ: Nếu như mơ hình ban đầu của FE Credit (mơ hình 1) thì với yếu tố “thời gian làm việc tại cơng ty hiện tại” thì nhân viên tín dụng cần phải kiểm chứng thơng tin với các nguồn khác như bảo hiểm xã hội, xác thực với cơng ty thì mơ hình 3 khơng cần sử dụng đến yếu tố này mà đưa ra khả năng dự báo chính xác hơn. Mặt khác, việc tạo thuận lợi cho khách hàng, tránh các thủ tục phức tạp, rườm rà cũng là một trong những yếu tố làm tăng khả năng cạnh tranh của các tổ chức tín dụng trong hoạt động tín dụng cá nhân.

Các yếu tố mà tác giả đề xuất đưa vào mơ hình chấm điểm tín dụng của khách hàng trong tình hình hiện nay của FE Credit gồm 11 biến như sau:

Bảng 4.11: Các biến nghiên cứu đề xuất đưa vào mô hình chấm điểm

STT Tên biến Ký hiệu Mơ hình 3 𝜷 Sig. 1 Tuổi X1 .095 .000 2 Giới tính X2 1.151 .000 3 Tình trạng hơn nhân X3 1.032 .001 4 Tuổi X4 1.736 .000 5 DPD lớn nhất của những khách hàng liên kết X7 -.026 .000 6 Khách hàng liên kết có từng bị từ chối hay khơng X9 -1.941 .000 7 Nơi

ở

Hải Phòng, Hải Dương, Vĩnh Phúc X10 -4.307 .000

8 Đông Nam Bộ X11 1.936 .000

9 Thời hạn vay X13 -.094 .000

11 Nghề nghiệp X16 -2.913 .000

Constant .503 .440

Trong đó: Biến Nơi ở (X11) - Đông Nam Bộ gồm các tỉnh Thành phố Hồ Chí

Minh, Bà Rịa – Vũng Tàu, Bình Dương, Bình Phước, Đồng Nai và Tây Ninh.

Qua kết quả nghiên cứu nêu trên, có thể thấy nếu như trước thời điểm có dịch bệnh Covid-19 xuất hiện tại Việt Nam, các yếu tố chỉ số rủi ro của hợp đồng cùng DSA_Code (X5); Chỉ số rủi ro của khách hàng cùng cơng ty trong vịng 24 tháng (X6) và số năm làm việc của khách hàng tại công ty hiện tại (X8) là những yếu tố có ảnh hưởng đến khả năng trả nợ của khách hàng thì với kết quả phân tích dữ liệu được thu thập trong khoảng thời gian diễn ra dịch bệnh Covid-19 đến nay (từ 2019 đến 12/2021) tại FE Credit có thể thấy các yếu tố này khơng cịn phản ánh chính xác khả năng trả nợ của khách hàng. Điều này có thể được giải thích bởi việc trong thời kỳ dịch bệnh Covid-19, Quý I/2021 có khoảng 9,1 triệu người, Quý I/2022 có khoảng 16,9 bị ảnh hưởng bị giảm thu nhập, cắt giảm giờ làm, mất việc điều này làm cho các chỉ số thay đổi làm điểm số tín dụng giảm xuống mặc dù thực tế khách hàng vẫn có khả năng trả nợ. Ví dụ: Năm 2019, một khách hàng A đã làm việc tại một công ty B trong khoảng thời gian 10 năm nhưng do dịch bệnh công ty B phá sản, khách hàng A phải chuyển sang làm việc tại công ty C tuy nhiên nếu khơng có dịch Covid-19 thì khách hàng A khi khai thơng tin thì thời gian làm việc 10 năm sẽ giúp khách hàng A có điểm số tín dụng cao hơn tuy nhiên do thời điểm yêu cầu khoản vay khách hàng chỉ có thời gian làm việc tại cơng ty C dẫn đến điểm số tín dụng của khách hàng giảm xuống.

Mặt khác, tại mơ hình 2, tham khảo một số chuyên gia, tác giả đưa vào các yếu tố Nơi ở - Đông Nam Bộ (X11); Khoản vay được mua bảo hiểm (X12); Thời hạn vay (X13); Loại sản phẩm vay (X14); Giá trị khoản vay (X15); Nghề nghiệp (X16) để phân tích, đánh giá cùng với các yếu tố nêu tại mơ hình 1. Kết quả nghiên cứu thì các yếu tố này và các yếu tố DSA_Code (X5); Chỉ số rủi ro của khách hàng cùng cơng ty trong vịng 24 tháng (X6); Số năm làm việc của khách hàng tại công ty hiện tại (X8) khơng có ý nghĩa thống kê do đó tác giả đã loại các yếu tố này để phân tích đánh giá mơ hình 3.

Kết quả nghiên cứu cho thấy, mơ hình 3, các biến độc lập có ý nghĩa thống kê, có thể phản ánh được khả năng trả nợ của khách hàng và phù hợp với tình hình thực tế hiện nay. Cụ thể:

Đối với những khách hàng có thời hạn vay ngắn thì xác suất trả nợ của khách hàng đó sẽ cao hơn do những số tiền phải trả hàng tháng của khách hàng này sẽ cao hơn những khách hàng có thời hạn vay dài. Khi thu nhập khơng ổn định, bị giảm sút do tác động của dịch bệnh Covid-19 thì việc phải trả một khoản tiền lớn hàng tháng trong khi các chi phí sinh hoạt cơ bản không thay đổi sẽ dẫn đến khả năng trả nợ của khách hàng sẽ tiềm ẩn nhiều rủi ro. Đồng thời, theo chủ trương chung của cơ quan quản lý nhà nước về lĩnh vực tín dụng thì các tổ chức tín dụng cần có các giải pháp giãn nợ, miễn giảm lãi cho khách hàng sẽ dẫn đến thời hạn vay cũng sẽ được thay đổi tùy vào tình hình của mỡi tổ chức tín dụng. Do đó, nghiên cứu đề xuất đưa yếu tố này vào để đánh giá xem khả năng ảnh hưởng thời hạn vay đến khả năng trả nợ của khách hàng như thế nào. Kết quả nghiên cứu cho thấy giả thiết đưa ra là phù hợp, yếu tố thời hạn vay có ý nghĩa thống kê, có khả năng dự đoán khả năng trả nợ của khách hàng.

Thứ hai, đối với yếu tố “Loại sản phẩm vay” thì theo quan điểm của tác giả thì những khách hàng vay tín dụng để mua các sản phảm tiêu dùng cụ thể trước hết xuất phát từ nhu cầu cá nhân, khách hàng có nhu cầu mua nhưng khơng đủ tài chính để mua trực tiếp nên cần phải vay thì những khách hàng này sẽ có ý thức trả nợ cao