2.3. Ứng dụng mơ hình logit để đo lƣờng các nhân tố tác động đến khả năng trả nợ
2.3.2.2. Đối tượng khảo sát nghiên cứu
Trong bài nghiên cứu này tác giả sử dụng 1.752 mẫu nghiên cứu thu thập từ những HGĐ đã và đang có quan hệ tín dụng với Agribank TPHCM từ 2012 – 2014. 2.3.2.3. Phạm vi khảo sát nghiên cứu
Cuộc khảo sát được thực hiện trong phạm vi Agribank TPHCM. 2.3.2.4. Tiêu chuẩn xây dựng mơ hình nghiên cứu
Thơng qua cơ sở dữ liệu từ hệ thống IPCAS nội bộ tại Agribank TPHCM và nguồn dữ liệu định tính: ý thức và thiện chí trả nợ của người đi vay, năng lực của khách hàng vay…
Việc thu thập số liệu để đưa vào mơ hình cần được thực hiện một cách khách quan, linh động, có kiểm chứng. Sử dụng cùng lúc nhiều nguồn thơng tin để có được cái nhìn tồn diện về phương pháp đánh giá các nhân tố tác động đến khả năng trả nợ vay của HGĐ.
Mơ hình phải đảm bảo tính khách quan: đặc điểm của khách hàng được lựa chọn để tạo một tập dữ liệu thực nghiệm phải được thực hiện một cách khách quan, khơng thực hiện theo cảm tính của người xây dựng mơ hình; kết quả đo lường bên cạnh việc kế thừa các kết quả nghiên cứu, các kinh nghiệm đo lường thì khơng được mâu thuẫn với các cơ sở lý thuyết và phương pháp lập luận đã được cơng bố trước đây. Bên cạnh đó, mơ hình được sự cơng nhận của những người sử dụng mơ hình vì có khả năng đánh giá các nhân tố tác động đến khả năng trả nợ vay của HGĐ.
2.3.2.5. Phương pháp xây dựng mơ hình nghiên cứu
Chỉ định mơ hình và các biến
Xác định mơ hình
Trong nghiên cứu của Burcu Duygan-Bump và Charles Grant và của tác giả C.A Wongnaa, D. Awunyo-Victor sử dụng mơ hình probit để đánh giá các nhân tố tác động đến hành vi trả nợ của HGĐ. Đây là mô hình hồi quy, nghiên cứu sự phụ thuộc của một biến nhị phân vào các biến độc lập khác. Mục tiêu của mơ hình là sử dụng những nhân tố có ảnh hưởng đến khả năng đảm bảo trả nợ (biến độc lập) để xác định rủi ro tài chính cũng như khả năng trả nợ của KH (biến phụ thuộc), mơ hình có
thể ước lượng xác suất khả năng trả nợ của một khách hàng là bao nhiêu trực tiếp từ mẫu.
Qua nghiên cứu những ưu, nhược điểm của từng loại mơ hình cũng như dựa vào đặc điểm riêng của HGĐ tại NH, tác giả sử dụng phương pháp hồi quy Logit trong bài luận văn. Do kết quả mơ hình Logit tương đối chính xác, mơ hình dễ sử dụng, cấu trúc dữ liệu trong mơ hình Logit cũng tương tự như mơ hình Probit, cũng ước lượng được xác suất trả nợ của một KH, kết quả của 02 mơ hình Logit và Probit khác nhau khơng đáng kể. Trong q trình sử dụng mơ hình khơng địi hỏi các giả thuyết về những nhân tố liên quan đến khả năng trả nợ, có thể đưa dữ liệu định tính và dữ liệu định lượng vào mơ hình bên cạnh đó, nguồn dữ liệu đầu vào của NH đủ lớn để chạy mơ hình và kết quả từ mơ hình có ý nghĩa thống kê.
Hàm hồi quy logit có dạng:
Pr(Di=1) = Pr (D*I>0) = F ((β0 + β1Xi1 + … + βnXin) Trong đó:
- Di = 1 nếu khách hàng HGĐ trả được nợ, Di = 0 nếu khách hàng HGĐ không trả được nợ.
- X1, … ,Xn: các nhân tố tác động đến khả năng trả nợ vay của khách hàng.
- β0, … , βn: các hệ số hồi quy của hàm Logit
Hàm hồi quy Logit sẽ tính xác suất xảy ra Di theo quy tắc: Nếu xác suất >= 0,5 thì khách hàng có Di = 1; Nếu xác suất < 0,5 thì khách hàng có Di = 0.
Kích thước mẫu:
- Kích thước mẫu phụ thuộc vào đối tượng nghiên cứu. Mẫu nghiên cứu càng nhiều thì độ chính xác càng cao. Việc xác định kích thước mẫu bao nhiêu là phù hợp vẫn chưa có thơng tin chính thức. Một số nhà nghiên cứu không đưa ra con số cụ thể mà đưa ra tỷ lệ giữa số mẫu cần thiết và biến cần khảo sát. Gorsuch (1983, được trích bởi MacCallum, 1999) cho rằng số lượng mẫu cần gấp 5 lần số lượng biến. Tác giả Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) cho rằng tỷ lệ đó là 4 hoặc 5. Bên cạnh đó, trong q trình xử lý dữ liệu mơ hình logit đỏi hỏi một số lượng dữ liệu đủ
lớn cho mỗi phạm trù trong số liệu thống kê, tác giả chọn mẫu 1.752 chấp nhận được.
Phương pháp phân tích dữ liệu: các dữ liệu sau khi thu thập sẽ được làm sạch, xử lý và phân tích dưới sự hỗ trợ của phần mềm SPSS 18.0.
Xác định biến phụ thuộc: khả năng trả nợ vay của HGĐ
Đối với mỗi khoản vay, câu hỏi đầu tiên của NH là liệu khách hàng có thiện chí và có khả năng thanh tốn khi khoản vay đến hạn hay không? Biến phụ thuộc được xác định dựa trên khả năng trả nợ của HGĐ.
Xác định biến độc lập
Sau khi lựa chọn được biến phụ thuộc, bước tiếp theo phải xác định biến độc lập trong phân tích. Từ các nghiên cứu lý thuyết trên thế giới, các mơ hình chấm điểm tín dụng và nghiên cứu thực nghiệm tại Việt Nam, có thể tổng kết các biến nhân tố tác động đến khả năng (xác suất) trả nợ vay của HGĐ như sau:
Bảng 2.10. Biến độc lập sử dụng trong nghiên cứu
STT Ký hiệu Biến độc lập Giả thuyết
1 Du no Tổng dư nợ của HGĐ tại thời điểm đánh
giá khả năng trả nợ - 2 San pham Sản phẩm tín dụng của HGĐ Có ảnh
hưởng 3 Thoi gian vay Thời gian vay trung bình của HGĐ +/- 4 Lai suat Lãi suất tín dụng trung bình của HGĐ
tại NH -
5 So lan kiem tra sau
cho vay Số lần kiểm tra sau cho vay + 6 Thu nhap ho Thu nhập của HGĐ hàng năm + 7 So nguoi phu thuoc Số thành viên phụ thuộc trong HGĐ - 8 Hon nhan Tình trạng hơn nhân của chủ HGĐ Có ảnh
hưởng 9 Hoc van Trình độ học vấn của chủ hộ + 10 Nha o Tình trạng nhà ở +/- 11 Gia tri TSDB Giá trị TSĐB trên tổng dư nợ của HGĐ + 12 Nhom nganh Ngành nghề của HGĐ Có ảnh
hưởng 13 Ty trong TSDB Tỷ trọng TSĐB Có ảnh hưởng 14 Kinh nghiem Thời gian làm công việc hiện tại +
STT Ký hiệu Biến độc lập Giả thuyết
15 Ho tro Chương trình hỗ trợ Có ảnh hưởng 16 Tra no Lịch sử quan hệ tín dụng của HGĐ và
NH
Có ảnh hưởng
Xây dựng mơ hình nghiên cứu
Học viên sử dụng phần mềm excel và chương trình SPSS 18 để thực hiện xây dựng mơ hình nghiên cứu.
Đầu tiên tiến hành xác định biến quan trọng của mơ hình, đây là quy trình chọn từng bước để xác định các biến độc lập có ảnh hưởng nhất đối với HGĐ có hoặc khơng có khả năng trả nợ. Các tiêu chuẩn đo lường độ phù hợp của mơ hình nghiên cứu này hướng tới gồm:
- Omnibus Test of Model Coefficients (OB): kiểm định sự phù hợp tổng quát của mơ hình hồi quy với giả thiết Ho là các hệ số hồi quy đồng thời bằng 0. Nếu Sig. < α thì Ho bị bác bỏ hay mơ hình phù hợp;
- Hosmer and Lemeshow Test (HL): kiểm định giả thuyết Ho là các giá trị dự báo phù hợp với giá trị quan sát. Nếu Sig. > α thì chấp nhận Ho;
- Classification Table: cho biết độ chính xác của kết quả dự báo từ mơ hình; - -2Log likehood (-2LL) càng nhỏ càng tốt.
Tiếp theo, kiểm tra sự tương quan giữa các biến, dựa trên các tiêu chuẩn đo lường độ phù hợp của mơ hình, thực hiện giảm tải biến độc lập theo phương pháp BackWard: Wald, kiểm tra lại kết quả với các tiêu chuẩn đo lường để đo sự phù hợp của mơ hình.
Dữ liệu nghiên cứu
Thu thập dữ liệu và chọn mẫu
Phạm vi nghiên cứu là HGĐ đã và đang có dư nợ tín dụng tại Agribank TPHCM. Việc đo lường khả năng trả nợ vay của HGĐ dựa trên cơ sở phân tích các nhân tố liên quan đến đặc điểm HGĐ, các chỉ tiêu liên quan đến khoản vay HGĐ trong thời gian từ 2012- 2014.
Nguyên tắc chọn mẫu:
- Các HGĐ được chọn có đầy đủ biến quan sát và có kết quả xếp hạng tín dụng tại Agribank TPHCM.
- Mẫu dữ liệu được chọn phi xác suất nhằm phù hợp với các yêu cầu trên.
Thống kê mơ tả dữ liệu
Tỷ lệ HGĐ có khả năng trả nợ vay, khơng có khả năng trả nợ vay trong mẫu lần lượt như sau:
Bảng 2.11. Phân tích mẫu dữ liệu theo khả năng trả nợ của HGĐ
Frequency Percent Valid Percent Khơng có khả năng trả nợ 297 17.0 17.0
Có khả năng trả nợ 1445 83.0 83.0
Tổng 1752 100.0 100.0
Nguồn: Phụ lục 2 - Cơ cấu dư nợ theo ngành nghề HGĐ của mẫu dữ liệu: HGĐ trong mẫu dữ liệu chủ yếu là Nông nghiệp: 91,4%, dệt may 2,9%, bán buôn 2,6%, dịch vụ 1,9%, khác 1,1%.
- Cơ cấu theo thời hạn vay HGĐ của mẫu dữ liệu: HGĐ vay ngắn hạn là chủ yếu 80,8%, còn lại là vay trung hạn 19,2%.
- Cơ cấu theo tình trạng hơn nhân của mẫu dữ liệu: HGĐ trong mẫu dữ liệu chủ yếu là Chưa kết hôn (90,4%) cịn lại 9,6% là đã kết hơn.
- Cơ cấu theo các chương trình hỗ trợ: HGĐ trong mẫu dữ liệu được hỗ trợ chiếm 35,1% cịn lại 64,9% HGĐ khơng được hỗ trợ.
- Cơ cấu theo tình trạng sở hữu nhà ở của mẫu dữ liệu: HGĐ trong mẫu dữ liệu phần lớn là sở hữu nhà với tỷ trọng 96,1% tiếp đó là Nhà ở thuộc sở hữu của thành viên khác trong hộ chiếm 2,3%, nhà ở đồng chủ sở hữu chiếm 0,7%, nhà thuê chiếm 0,9%.
Bảng 2.12. Phân bổ giá trị các biến định lượng Du no Lai_sua Du no Lai_sua t So_lan_k iem_tra_ sau_cho_ vay Thu_nha p_ho_tha ng So_ngu oi_phu_ thuoc Gia_tri_TSD B Kinh_ nghiem Mẫu 1752 1752 1752 1752 1752 1752 1752 Nhỏ nhất 10 10 1 2 1 99 3 Lớn nhất 1700 21 20 142 3 5000 65 Trung bình 395.000 18.000 4.000 25.000 1.000 700.000 18.000 Độ lệch chuẩn 195.295 1.355 2.786 13.176 .391 380.953 12.808 Phương sai 38140.206 1.836 7.765 173.601 .152 145125.559 164.055
Nguồn: Kết quả chạy mơ hình Kết quả chạy Correlations, Coefficients (Phụ lục 2)
- Correlations:
+ Biến Du_no và biến Gia_tri_TSDB có hệ số tương quan là 0,925. Có hiện tượng tương quan mạnh giữa Du_no và Gia_tri_TSDB.
+ Biến So_lan_kiem_tra_sau_cho_vay và biến Thoi_gian_vay có hệ số tương quan là 0,977. Do những khoản vay có thời gian vay càng dài tương ứng sẽ có số lần kiểm tra sau cho vay càng nhiều.
- Coefficients:
+ Giá trị VIF (Variance inflation factor) vượt quá 10 xuất hiện hiện tượng đa cộng tuyến (Hoàng Trọng, Chu Thị Mộng Ngọc (2008), Phân tích và xử lý số liệu bằng SPSS), có 3 biến có giá trị VIF > 10: Du_no (12,228), Thoi_gian_vay (24,156), So_lan_kiem_tra_sau_cho_vay (24,611). Biến Gia_tri_TSDB có VIF là 9,010 (~10).
+ Giá trị Sig. của các nhân tố <5%, các nhân tố có ý nghĩa thống kê, giải thích được ý nghĩa của biến phụ thuộc (Kha_nang_tra_no), những biến có giá trị Sig. >5% loại khỏi mơ hình. Bảng Coefficients, biến Thoi_gian_vay và Gia_tri_TSDB có Sig. > 5%.
Từ kết quả Correlations, Coefficients (Phụ lục 2) và phân tích ở trên, loại bỏ biến Thoi_gian_vay và Gia_tri_TSDB ra khỏi mơ hình.
Sau khi loại bỏ biến Thoi_gian_vay và Gia_tri_TSDB ra khỏi mơ hình, kiểm tra đa cộng tuyến của các biến cịn lại trong mơ hình (kết quả Phụ lục 2): VIF của các biến có giá trị < 10, Sig. của các biến đều < 5%. Như vậy khơng có hiện tượng đa cộng tuyến giữa các biến và các biến trong mơ hình có ý nghĩa thống kê, giải thích được ý nghĩa của biến phụ thuộc (Kha_nang_tra_no).
Kết quả nghiên cứu
B Sig Du_no -.005 .000 San_pham_trungdaihan -.324 .346 Lai_suat -.100 .027 So_lan_kiem_tra_sau_cho_vay .195 .002 Thu_nhap_ho_thang .087 .000 So_nguoi_phu_thuoc -.312 .058 Hon_nhan_dakethon -.313 .168 Ty_le_TSBD .062 .083 Nhom_nganh_nongnghiep (Base) .049 Nhom_nganh_banbuon .142 .744 Nhom_nganh_detmay -.651 .078 Nhom_nganh_dichvu -.859 .040 Nhom_nganh_khac 1.659 .129 Kinh_nghiem .008 .135 Ho_tro 1.364 .000 HL 0 -2LL 1435 Nagelkerke R Square 0.745 Accuracy 84.8
- Bảng Omnibus Tests of Model Coefficients (Phụ lục 3) cho kết quả kiểm định giả thuyết về độ phù hợp tổng quát có mức ý nghĩa quan sát là sig. = 0.000 nên bác bỏ giả thuyết Ho hay mơ hình là phù hợp.
- Bảng Model summary (Phụ lục 3) cho thấy giá trị -2 Log likehood = 1435 khơng cao lắm nên mơ hình tổng thể có độ phù hợp khá tốt.
- Mức độ chính xác của dự báo thể hiện qua bảng Classification Table (Phụ lục 3) trong 297 trường hợp KH khơng có khả năng trả nợ vay, mơ hình dự đốn đúng 259 trường hợp (87,2%); trong 1.455 trường hợp khách hàng có khả
năng trả nợ vay, mơ hình dự đốn đúng 1.448 trường hợp (99,5%). Tỷ lệ dự đốn đúng của tồn bộ mẫu là: 84,8%.
- Bảng Variables in the Equation (Phụ lục 3) cho thấy mức ý nghĩa sig. của các hệ số hồi quy đều nhỏ hơn 5%, như vậy các hệ số hồi quy đều có ý nghĩa và mơ hình có thể sử dụng để dự báo rủi ro.
2.3.2.5.1. Giải thích ý nghĩa của các biến trong mơ hình
- Biến “Du_no”: có tác động đến khả năng trả nợ vay của HGĐ.
- Biến “San_pham”: so sánh sản phẩm ngắn hạn và sản phẩm trung dài hạn thì sản phẩm trung dài hạn có khả năng trả nợ kém hơn cịn sản phẩm ngắn hạn có khả năng trả nợ tốt hơn, chính vì vậy thơng thường lãi suất cho vay ngắn hạn thấp hơn lãi suất cho vay trung và dài hạn. Điều này là phù hợp với thực tế trả nợ của HGĐ, trong ngắn hạn HGĐ quản lý dịng tiền của mình tốt hơn cũng như dự đốn và đánh giá tình hình thị trường tốt hơn.
- Biến “Nganh”: biến chỉ phân biệt được khả năng trả nợ ở một số ngành. - Biến “Lai_suat”: tác động ngược chiều với khả năng trả nợ của HGĐ, phù
hợp với giả thiết ban đầu: lãi suất càng cao thì khả năng trả nợ càng thấp. - Biến Hoc_van: biến chỉ phân biệt được khả năng trả nợ vay của trình độ học
vấn thất học và trung học, do những khách hàng có trình độ từ cao đẳng trở lên hầu như hoạt động sản xuất, kinh doanh chỉ là công việc mà những HGĐ này làm thêm để tăng thu nhập bên cạnh cơng việc chính theo cơng việc chun mơn của mình.
- Biến Ho_tro: những HGĐ được hỗ trợ cho vay từ các chương trình ưu đãi của UBND, Thơng tư của Thủ tướng Chính Phủ có khả năng trả nợ vay tốt hơn những HGĐ không được hỗ trợ. Những HGĐ được hỗ trợ sẽ thanh toán nợ vay và lãi vay đầy đủ và đúng hạn hơn.
- Biến Nha_o: biến chỉ phân biệt được khả năng trả nợ vay của HGĐ sở hữu tài sản với những HGĐ đi thuê nhà. Cụ thể là những HGĐ sở hữu nhà ở thì khả năng trả nợ vay cao hơn những HGĐ đi thuê nhà. Những HGĐ mà người đi vay không phải là người sở hữu tài sản mà tài sản do thành viên khác trong
HGĐ sở hữu hay nhà ở là đồng chủ sở hữu giữa người đi vay và một thành viên khác trong HGĐ thì khả năng trả nợ vay khơng có sự sai biệt nhiều so với những HGĐ sở hữu tài sản là nhà ở do dù có trực tiếp sở hữu nhà ở hay khơng thì nhà ở cũng là tài sản
- Biến Hon_nhan: những chủ hộ đã kết hơn có khả năng trả nợ vay thấp hơn những chủ hộ chưa kết hơn do khi kết hơn thì quyết định của người đi vay sẽ bị chi phối bởi nhiều người, kết hơn thì khả năng sử dụng vốn sai mục đích của người vay sẽ cao hơn.
- Biến So_nguoi_phu_thuoc: những hộ có số người phụ thuộc càng cao thì khả năng trả nợ vay càng kém.
- Biến So_lan_kiem_tra_sau_cho_vay: có tác động cùng chiều đến khả năng trả nợ vay của KH, số lần kiểm tra sau cho vay càng nhiều thì tỷ lệ KH sử