5. Phân tích hoạt động tín dụng tiêu dùng
5.2 Kết quả phân tích
A/ Mô hình hồi quy Poisson dự báo số lượng tiêu thụ sản phẩm công nghệ cao
Sau khi chạy bộ số liệu trong Stata, sử dụng mô hình hồi quy Poisson cho quá trình đếm để xem xét sự phụ thuộc của biến quan sát sphamit vào các biến gioikh, pos-khan, gioi_th, BaDinh, CauGiay, HaiBa, TXHaDong, DATTHMai,Duoi15Tr,Tu30Tr,D30PT,Tu40PT,Duoi1N,ThHan1N,ThH1323 T,TuoiKHDuoi30, TuoiKHTu45, KHBaDinh, CGTLTayHo, HdongTXuan, TtriHmai, HBTrung, LBGLDAnh, Hkiem, Nthanh, CMKinhte, CMQuanly, CMkhac ta thu được kết quả trong Bảng 12.
Bảng 12: Kết quả dự báo số lượng tiêu thụ sản phẩm công nghệ cao _cons -3.350824 .3869257 -8.66 0.000 -4.109184 -2.592463 CMKhac 1.462519 .3141745 4.66 0.000 .8467479 2.078289 CMQuanly 1.251339 .3339232 3.75 0.000 .5968612 1.905816 CMKinhte 1.385836 .3291574 4.21 0.000 .7406996 2.030973 NThanh -.0866165 .2446812 -0.35 0.723 -.5661828 .3929498 HKiem .0432336 .2697805 0.16 0.873 -.4855265 .5719937 LBGLDAnh -.1234944 .2596897 -0.48 0.634 -.6324769 .3854882 HBTrung .1080996 .2262141 0.48 0.633 -.3352719 .5514711 TtriHmai -.0184362 .233239 -0.08 0.937 -.4755762 .4387037 HDongTXuan -.0385892 .2108755 -0.18 0.855 -.4518977 .3747192 CGTLTayHo .0604662 .1850406 0.33 0.744 -.3022067 .423139 KHBaDinh -.138589 .2290789 -0.60 0.545 -.5875753 .3103974 TuoiKHTu45 -.1683006 .1994916 -0.84 0.399 -.5592969 .2226957 TuoiKHDuoi30 .0954235 .1037885 0.92 0.358 -.1079983 .2988452 ThH1323T .069633 .1804466 0.39 0.700 -.2840359 .4233018 ThHan1N .0108279 .1278124 0.08 0.932 -.2396798 .2613356 Duoi1N .2832041 .1254376 2.26 0.024 .0373508 .5290573 Tu40PT .7309317 .2717154 2.69 0.007 .1983793 1.263484 D30PT 1.594267 .1561677 10.21 0.000 1.288184 1.90035 Tu30Tr -.2282495 .4236386 -0.54 0.590 -1.058566 .602067 Duoi15Tr .1585319 .1053936 1.50 0.133 -.0480358 .3650996 DATTrHMai -18.91932 1568.058 -0.01 0.990 -3092.256 3054.418 TXHaDong -19.4132 1612.369 -0.01 0.990 -3179.598 3140.772 HaiBa -19.33481 1788.249 -0.01 0.991 -3524.238 3485.569 CauGiay .3004832 .1049761 2.86 0.004 .0947338 .5062326 BaDinh -19.04156 1560.36 -0.01 0.990 -3077.29 3039.207 gioi_th 1.346203 .3186664 4.22 0.000 .7216287 1.970778 pos_khan -.3485535 .1897229 -1.84 0.066 -.7204036 .0232967 gioikh .0981493 .1014904 0.97 0.334 -.1007682 .2970669 sphamit Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -553.54532 Pseudo R2 = 0.5225 Prob > chi2 = 0.0000 LR chi2(28) = 1211.38 Poisson regression Number of obs = 2179
Khi phân tích một mô hình hồi quy, ta phải giải quyết bài toán kiểm định giả thuyết về từng hệ số hồi quy của mô hình. Cụ thể, ta phải đưa ra kết luận cho biết hệ số hồi quy ứng với một biến độc lập nào đó có thực sự khác 0 hay không. Nếu hệ số đó khác 0 một cách có ý nghĩa thì biến độc lập tương ứng thực sự có ảnh hưởng đến biến phụ thuộc. Ngược lại nếu hệ số đó không khác 0 một cách có ý nghĩa thì biến độc lập khổng ảnh hưởng đến biến phụ thuộc và có thể loại khỏi mô hình. Trong các mô hình hồi quy Poisson được xây dựng từ dữ liệu của nghiên cứu này, mức xác suất ý nghĩa 5% được lấy làm ngưỡng đánh giá ảnh hưởng của các biến độc lập đối với biến phụ thuộc. Nếu xác suất ý nghĩa P của một hệ số hồi quy có
giá trị nhỏ hơn hoặc bằng 5%, ta bác bỏ giả thuyết bằng 0 của hệ số hồi quy đó và kết luận biến độc lập tương ứng với hệ số hồi quy đó ảnh hưởng thực sự đến biến phụ thuộc. Ngược lại nếu xác suất ý nghĩa P của hệ số hồi quy lớn hơn 5%, ta chấp nhận giả thuyết 0 của hệ số đó và loại biến độc lập tương ứng ra khỏi mô hình.
Bảng 12 cho biết sự phụ thuộc của biến sphamit vào các biến độc lập khác. Với xác suất ý nghĩa 0.05 trung bình số lượng các sản phẩm công nghệ cao được bán với hình thức vay trả góp hàng ngày phụ thuộc vào các biến: gioi_th, CauGiay, D30PT, Tu40PT, Duoi1N, CMkinhte, CMquanly, CMKhac. Quan sát bảng số liệu ta còn thấy hệ số hồi quy của biến Pos- khan có xác suất ý nghĩa là 0.066 (tương đối gần mức ý nghĩa 0.05), có thể có ảnh hưởng tới mô hình nên ta giữ lại cùng với các biến kể trên và chạy lại mô hình hồi quy Poisson . Các biến độc lập còn lại không thực sự ảnh hưởng đến biến phụ thuộc nên ta loại khỏi mô hình. Tiếp tục loại bỏ các biến không ảnh hưởng tới mô hình, ta xem xét lại sự phụ thuộc của biến
sphamit vào các biến trên gioi_th, CauGiay, Duoi1N, D30PT, Tu40PT, CMKinhte, CMQuanly, CMkhac,Pos-khan ta thu được kết quả trong Bảng 13.
Bảng 13: Kết quả sự phụ thuộc của số lượng tiêu thụ sản phẩm IT
_cons -3.279028 .2972855 -11.03 0.000 -3.861697 -2.696359 CMKhac .0612764 .2706181 0.23 0.821 -.4691253 .5916782 CMQuanly .0806884 .2912989 0.28 0.782 -.4902469 .6516237 CMKinhte -.1184317 .2738059 -0.43 0.665 -.6550814 .418218 gioi_th -.1632596 .2657403 -0.61 0.539 -.684101 .3575817 Tu40PT .7962684 .2673548 2.98 0.003 .2722627 1.320274 D30PT 3.073851 .1527987 20.12 0.000 2.774371 3.373331 Duoi1N .4011337 .1088755 3.68 0.000 .1877417 .6145257 CauGiay .3979031 .1014589 3.92 0.000 .1990474 .5967589 pos_khan -.4002302 .1563968 -2.56 0.010 -.7067624 -.0936981 sphamit Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -659.06036 Pseudo R2 = 0.4315 Prob > chi2 = 0.0000 LR chi2(9) = 1000.35 Poisson regression Number of obs = 2179
Nhìn vào bảng 13 ta thấy biến pos-khan (với xác suất ý nghĩa P =
0.01), biến CauGiay (P = 0.000), Duoi1N (P = 0.000), D30PT (P = 0.000), Tu40PT (P = 0.003) chứng tỏ các biến này thực sự có ảnh hưởng đến biến phụ thuộc. Các biến độc lập gioi_th, CMKinhte, CMQuanly, CMkhac đều có hệ số hồi quy có xác suất ý nghĩa vượt quá 5% rất nhiều nên ta loại khỏi mô hình và chạy lại mô hình hồi quy Poisson mới. Mô hình hồi quy Poisson rút gọn, chỉ chứa các biến độc lập thực sự ảnh hưởng đến biến phụ thuộc được trình bày trong Bảng 14.
Bảng 14: Mô hình Poisson rút gọn dự báo số lượng sản phẩm IT
_cons -3.338353 .1398704 -23.87 0.000 -3.612494 -3.064212 Tu40PT .8112706 .267273 3.04 0.002 .2874251 1.335116 D30PT 3.095639 .152551 20.29 0.000 2.796645 3.394634 Duoi1N .3621661 .1064238 3.40 0.001 .1535794 .5707529 CauGiay .4156177 .0992609 4.19 0.000 .2210699 .6101656 pos_khan -.4027385 .1559514 -2.58 0.010 -.7083977 -.0970794 sphamit Coef. Std. Err. z P>|z| [95% Conf. Interval] Log likelihood = -661.5161 Pseudo R2 = 0.4294 Prob > chi2 = 0.0000 LR chi2(5) = 995.44 Poisson regression Number of obs = 2179
Từ bảng 14, ta có thể đưa ra mô hình loga tuyến tính phụ thuộc sau đây: log(Sphamit) = - 0.4027385 pos_khan + 0,4156177 CauGiay + 0.3621661
Duoi1N + 3.095639 D30PT + 0.8112706 Tu40PT – 3.338353.
Lũy thừa cơ số e hai vế của phương trình trên ta thu được
Sphamit = exp{ - 0.4027385 pos_khan + 0,4156177 CauGiay + 0.3621661 Duoi1N + 3.095639 D30PT + 0.8112706 Tu40PT – 3.338353.} Hay:
Sphamit=(0.668^{pos_khan}).(1,5153^{CauGiay}).(1.4364^{Duoi1N}) .(22.10136 ^{D30PT}).(2.2508 ^{Tu40PT}).0,0355
Nhìn vào bảng kết quả ta có thể thấy, khi tham gia hình thức vay trả góp các sản phẩm công nghệ cao một trong những yếu tố được khách hàng rất quan tâm đến là phần trăm giá trị sản phẩm họ sẽ thanh toán trước cho công ty Tài chính. So với hình thức thanh toán trước từ 30 đến 40 phần trăm giá trị sản phẩm thì hình thức thanh toán trước dưới 30 phần trăm và
hình thức thanh toán trước từ 40 phần trăm trở lên là hai xu hướng ảnh hưởng tích cực đối với số lượng sản phẩm tiêu thụ. Đối với sản phẩm công nghệ cao hình thức thanh toán dưới 30 phần trăm giá trị sản phẩm có ảnh hưởng mạnh mẽ nhất so với các hình thức thanh toán khác, lảm tăng số lượng tiêu thụ sản phẩm gấp 22,1 lần so với hình thức thanh toán từ 30 đến 45 phần trăm và gấp gần 10 lần so với hình thức thanh toán từ 40 phần trăm trở lên.
Các sản phẩm công nghệ cao như laptop, ti vi, máy lạnh,… là những sản phẩm thiết yếu cho công việc, học tập và đời sống của người dân, tuy nhiên khi lựa chọn mua trả góp những sản phẩm này phải chăng giá thành các sản phẩm này là một trong những nguyên nhân để khách hàng lựa chọn hình thức thanh toán? Để xem xét rõ nhận định này, ta quay lại số liệu gốc, dùng thống kê T-Test để kiểm định giá trị trung bình của giá những sản phẩm được khách hàng lựa chọn hình thức thanh toán dưới 30 phần trăm với hình thức thanh toán từ 30 đến 40 phần trăm.
Sử dụng phần mềm phân tích thống kê SPSS chạy bộ số liệu ta thu được kết quả trung bình giá thành các sản phẩm được thanh toán dưới 30 phần trăm là 14,2 triệu đồng trong khi hình thức thanh toán từ 30 đến 40 phần trăm có giá trung bình là 14,6 triệu đồng (giá thành không khác nhau nhiều). Với xác suất ý nghĩa 49,1 phần trăm (lớn hơn 5 phần trăm), ta chấp nhận giả thiết giá trị trung bình của hai nhóm sản phẩm này là như nhau.
Rõ ràng là khi giá thành sản phẩm không khác nhau là mấy, khách hàng mua trả góp có xu hướng muốn trả trước ban đầu với khả năng thấp nhất, tức là vay với khả năng cao nhất có thể.
Cũng như trên, ta tiếp tục sử dụng thống kê T-Test để so sánh giá trị trung bình của giá thành của hai nhóm sản phẩm được khách hàng lựa chọn thanh toán với hình thức trả trước cao nhất là 40 phần trăm so với hình thức thanh toán từ 30 đến 40 phần trăm giá trị sản phẩm. Kết quả thu được là trung bình nhóm sản phẩm được thanh toán trên 40 phần trăm có giá 17,9
triệu đồng trong khi nhóm sản phẩm còn lại có giá trung bình là 14,6 triệu đồng (giá có sự chênh lệch đáng kể). Với xác suất ý nghĩa 1,6 phần trăm (nhỏ hơn 5 phần trăm) cho ta kết luận thống kê ý nghĩa có sự khác biệt về giá trị trung bình về giá thành của hai nhóm sản phẩm này. Có thể nói nhóm đối tượng có kinh tế khá hơn, thu nhập ổn định sẵn sàng trả trước với giá cao hơn, điều này vừa phù hợp với khả năng tài chính của họ, cũng có nghĩa là tiền khách hàng phải trả hàng tháng cũng giảm đi.
Như vậy có thể nói khi khách hàng lựa chọn tỷ lệ trả trước, khách hàng tự cân đối với khả năng thu nhập hàng tháng của bản thân. Ngoài ra, việc trả trước cũng phụ thuộc vào giá trị sản phẩm mua. Với mặt hàng có giá trị thấp, khách hàng lựa chọn hình thức thanh toán với tỷ lệ thấp nhất dưới 30 phần trăm Với mặt hàng có giá trị cao khách hàng lựa chọn hình thức thanh toán cao nhất trên 40 phần trăm. Hai hình thức này được khách hàng ưa chuộng hơn so với mức thảnh toán ở giữa từ 30 đến 40 phần trăm. Điều này giúp cho các nhà quản lý có những định hướng chính sách phù hợp cho chiến lược kinh doanh của Công ty.
Qua bảng kết quả cũng cho thấy thời hạn thanh toán khoản vay cũng là yếu tố ảnh hưởng đến số lượng sản phẩm. Dường như đối với mặt hàng công nghệ cao, khách hàng ưa chuộng thời hạn vay dưới 1 năm so với các hình thức vay trên 1 năm, tức là họ thường có xu hướng vay trong thời gian ngắn nhất. Trung bình số sản phẩm được bán trả góp vay trong thời gian dưới một năm nhiều gấp hơn 1,4 lần so với số lượng sản phẩm được bán trả góp với thời hạn khác. Ta đã biết với thời hạn vay càng ngắn thì mức tiền khách hàng phải trả cho Công ty hàng tháng càng cao.
Trở lại số liệu gốc ta thấy khi vay trong thời hạn dưới 1 năm, trung bình mỗi tháng khách hàng phải trả cho công ty là 1,55 triệu, trong khi các hình thức vay với thời hạn trên 1 năm trung bình số tiền khách hàng phải thanh toán hàng tháng đều dưới tám trăm nghìn đồng. Có thể mặt hàng công nghệ cao, so với xe máy, ô tô, đất đai giá trị thường không quá lớn
nên khách hàng có thu nhập ổn định có nhu cầu thanh toán trong một thời gian ngắn, hình thức thanh toán đó vẫn phù hợp với khả năng tài chính của họ. Cũng có thể do tâm lý chung của người Việt Nam không thích "mang nợ" lâu nên thường trả ngay khi có thể. Ngoài ra, khi thanh toán sớm thì khách hàng không phải trả lãi cho công ty nhiều… Như vậy công ty có thể đưa ra những chính sách về thời hạn vừa phù hợp với tâm lý, khả năng tài chính chung khách hàng, vừa phù hợp với đặc điểm nhóm mặt hàng công nghệ cao thường nhanh chóng bị lỗi thời.
Một kết quả đáng lưu ý nữa, đó là Cầu Giấy với siêu thị Big C dường như là địa chỉ có được ưa chuộng để bán các sản phẩm công nghệ cao nhiều hơn so với các quận khác, nơi có những trung tâm tiêu thụ mặt hàng công nghệ cao có tiếng như Trần Anh, Topcare,… hay Pico là trung tâm điện máy lớn nhất ở Hà Nội hiện nay. Có lẽ Big C là siêu thị lớn, trung tâm mua sắm từ những mặt hàng bình dân đến cao cấp, nơi có đông người đến mua sắm hàng tiêu dùng (từ những sản phẩm sinh hoạt hàng ngày phục vụ ăn, mặc, ở đến cả những sản phẩm tiêu dùng công nghệ cao). Mỗi ngày Big C có đến hàng nghìn lượt khách ra vào, đa phần người dân có suy nghĩ chung là Big C có giá rẻ, đúng với thị trường, thuận tiện giao thông, gần một số khu đô thị… Những đặc điểm đó khiến số lượng sản phẩm điện máy, máy tính được bán với hình thức vay trả góp ở khu vực Cầu Giấy nhiều hơn những khu vực khác hơn 1.5 lần. Điều đó chứng tỏ, việc lựa chọn địa điểm bán các sản phẩm cho vay của công ty là yếu tố quan trọng, quyết định việc kinh doanh của công ty Tài chính. Như vậy thấy được các nhân tố ảnh hưởng đến số lượng hàng hóa được bán ra sẽ cho Công ty Tài chính những quyết sách đúng đắn trong kinh doanh, mang lại hiệu quả cao và đặc biệt lợi nhuận từ nguồn cho vay mang lại.
Một yếu tố nữa cũng cho thấy ảnh hưởng đến số lượng sản phẩm công nghệ cao được tiêu thụ, đó là biến pos_khan .Số sản phẩm được bán ra cho khách hàng cư trú cùng quận với đại lý bán hàng thấp hơn và chỉ bằng
66,9% số lượng sản phẩm được bán ra cho khách hàng ở các quận khác. Lẽ nào đây là tâm lý “bụt chủ nhà không thiêng ” của người Việt Nam? Tuy nhiên khi quay lại xem xét số liệu gốc thì thấy số lượng đại lý bán hàng cho vay của công ty chỉ được đặt tại một số quận của Hà Nội như Đống Đa, Ba Đình, Hai Bà Trưng, Cầu Giấy, Thanh Xuân, Thanh Trì, Hoàng Mai, Đông Anh trong khi khách hàng có địa chỉ ở hầu hết các quận nội ngoại thành ở Hà Nội. Điều này cho ta lý giải tại sao số lượng khách hàng đến mua hàng tại những khu vực không cùng nơi cư trú nhiều hơn. Kết quả này dù sao cũng là gợi ý để các nhà quản lý của Công ty tài chính có những chính sách mở rộng thêm các đại lý bán hàng của mình ở các khu vực khác.
B/ Mô hình hồi quy Poisson dự báo số lượng tiêu thụ xe máy
Ta tiếp tục sử dụng mô hình hồi quy Poisson nhờ phần mềm Stata để xem xét sự phụ thuộc của biến xemay vào các biến: gioikh, pos-khan, gioi_th,BaDinh,CauGiay,HaiBa,TXHaDong,DATTHMai,Duoi15Tr,Tu30Tr ,Tu40PT,Duoi1N,ThHan1N,ThH1323T,TuoiKHDuoi30,TuoiKHTu45,KHBa Dinh, CGTLTayHo, HdongTXuan, TtriHmai, HBTrung, LBGLDAnh, Hkiem, Nthanh, CMKinhte, CMQuanly, CMkhac. Một lưu ý nhỏ là trước khi chạy bộ số liệu, ta đã xem xét lại và loại biến Duoi30PT vì biến này chỉ có hai quan sát khác 0.
Bảng 15 cho ta kết quả ban đầu về sự phụ thuộc của biến xemay vào các biến kể trên, trong đó ta thấy các trung bình số lượng sản phẩm xe máy được bán ra trong một ngày tại một khu vực phụ thuộc vào các biến pos- khan, gioi_th, BaDinh, CauGiay. HaiBa, TXHaDong, DATTrHMai, Duoi15Tr, Duoi1N, HDongTXuan,CMKinhte, CMKhac là các biến có hệ số hồi quy có xác suất ý nghĩa nhỏ hơn 5% . Cũng như trường hợp sản phẩm công nghệ cao, để thu được kết quả sự phụ thuộc của biến xemay một cách sát thực nhất ta tiếp tục loại các biến không phụ thuộc (các biến có hệ số hồi quy có xác suất ý nghĩa trên 5%) ra khỏi mô hình. Riêng biến TtriHmai
có hệ số hồi quy có xác suất ý nghĩa là 0,064 , rất gần mức 5% ta giữ lại cùng các biến phụ thuộc khác và sử dụng mô hình hồi quy Poisson để chạy