Tổng quan nghiên cứu

Thị trường tài chính tiêu dùng tại Việt Nam chứng kiến tốc độ tăng trưởng vượt bậc trong giai đoạn 2016 - 2019, trong đó Công ty Tài chính TNHH MTV Ngân hàng Việt Nam Thịnh Vượng (FE Credit) giữ vai trò đầu tàu khi chiếm hơn 50% thị phần toàn ngành. Tổng thu nhập hoạt động của FE Credit tăng trưởng ấn tượng từ 8.177 tỷ đồng năm 2016 lên mức 18.152 tỷ đồng vào năm 2019, đóng góp tới hơn 40% - 50% lợi nhuận hợp nhất của toàn hệ thống VPBank với mức lợi nhuận trước thuế đạt 4.488 tỷ đồng năm 2019. Song hành với sự gia tăng mạnh mẽ của quy mô dư nợ từ 32.105 tỷ đồng năm 2016 lên 60.594 tỷ đồng năm 2019 (tương ứng mức tăng trưởng 88%), rủi ro tín dụng đang trở thành thách thức sống còn khi tỷ lệ nợ xấu tăng từ mức 5,0% năm 2017 lên sát ngưỡng 6,0% vào năm 2019. Đặc biệt, phân khúc cho vay tiền mặt chiếm tỷ trọng trên 70% tổng dư nợ toàn công ty, với số lượng khách hàng phát sinh nợ xấu tăng vọt từ 9.823 người năm 2016 lên 24.958 người năm 2019.

Vấn đề cốt lõi đặt ra là việc đánh giá khả năng trả nợ của khách hàng vay tín chấp tiền mặt còn nhiều bất cập do đặc thù đối tượng vay có thu nhập trung bình thấp, công việc biến động và thiếu tài sản bảo đảm. Mục tiêu của luận văn là nhận diện, đo lường mức độ tác động của các nhân tố đến khả năng trả nợ của khách hàng cá nhân phân khúc vay tiền mặt tại FE Credit, từ đó xây dựng hệ thống giải pháp toàn diện nhằm kiểm soát nợ quá hạn. Nghiên cứu được giới hạn trong phạm vi dữ liệu thứ cấp giai đoạn 2016 - 2019 tại FE Credit. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn trong việc hỗ trợ tổ chức tín dụng thiết lập mô hình chấm điểm rủi ro chuẩn xác, giảm thiểu tỷ lệ nợ quá hạn về ngưỡng an toàn dưới 4,5% và bảo vệ biên lợi nhuận bền vững.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng của hai lý thuyết kinh tế và quản trị rủi ro kinh điển:

  1. Lý thuyết Bất đối xứng thông tin (Asymmetric Information Theory): Trong hoạt động cho vay tín chấp tiêu dùng, bên vay luôn nắm giữ nhiều thông tin về tình trạng tài chính và thiện chí hoàn trả hơn bên cho vay, dễ dẫn đến hiện tượng lựa chọn đối nghịch (Adverse Selection) trước khi giải ngân và rủi ro đạo đức (Moral Hazard) sau khi giải ngân.

  2. Lý thuyết Xếp hạng tín dụng tiêu dùng (Consumer Credit Scoring Theory): Sử dụng các biến số định lượng và định tính nhằm ước lượng xác suất vỡ nợ của khách hàng cá nhân. Bên cạnh đó, luận văn căn cứ vào khung phân loại nợ của Hiệp ước Basel II và Thông tư 02/2013/TT-NHNN ngày 21/01/2013 của Ngân hàng Nhà nước để lượng hóa biến phụ thuộc: nhóm nợ 1 và 2 được định nghĩa là có khả năng trả nợ, trong khi nhóm nợ 3, 4 và 5 (nợ dưới tiêu chuẩn, nợ nghi ngờ, nợ có khả năng mất vốn) được định nghĩa là không có khả năng trả nợ.

Khung khái niệm chính trong đề tài tập trung vào 5 trụ cột: Khả năng trả nợ của khách hàng cá nhân, Tín dụng tiêu dùng không tài sản bảo đảm, Rủi ro tín dụng cá nhân, Điểm số tín nhiệm (Credit Score) và Sản phẩm cho vay tiền mặt tín chấp. Mô hình nghiên cứu tổng quát được mô tả dưới dạng hàm xác suất hồi quy nhị phân Probit nhằm đánh giá tác động đồng thời của các nhóm biến số độc lập lên khả năng trả nợ.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng dựa trên nguồn dữ liệu thứ cấp nội bộ đáng tin cậy được trích xuất từ hệ thống quản trị rủi ro của FE Credit trong chu kỳ 4 năm từ 2016 đến 2019.

  • Cỡ mẫu và phương pháp chọn mẫu: Cỡ mẫu nghiên cứu gồm 600 hồ sơ khách hàng cá nhân vay tiền mặt được chọn lọc theo phương pháp ngẫu nhiên phân tầng từ cơ sở dữ liệu hơn 437.763 khách hàng giải ngân trong năm 2019. Cỡ mẫu 600 quan sát đảm bảo tính đại diện thống kê cao cho tổng thể các gói vay tiền mặt có quy mô từ 10 triệu đồng đến 70 triệu đồng.
  • Lý do lựa chọn phương pháp phân tích: Tác giả lựa chọn mô hình hồi quy Probit thay vì hồi quy tuyến tính OLS hay phân tích phân biệt (Discriminant Analysis) vì biến phụ thuộc là biến nhị phân chỉ nhận hai giá trị (Y = 1 nếu trả được nợ; Y = 0 nếu vỡ nợ). Mô hình Probit áp dụng phương pháp ước lượng hợp lý tối đa (Maximum Likelihood Estimation - MLE), xử lý tối ưu các biến số phi tài chính không tuân theo phân phối chuẩn, không bị ràng buộc tuyến tính nghiêm ngặt và hạn chế tối đa sai lệch dự báo trong xếp hạng tín dụng tiêu dùng.
  • Timeline nghiên cứu: Dữ liệu hồi cứu được thu thập, xử lý, làm sạch và kiểm định đa cộng tuyến thông qua phần mềm phân tích thống kê chuyên dụng trong giai đoạn từ năm 2019 đến đầu năm 2020.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mô hình hồi quy Probit trên 600 quan sát đã làm rõ 8 nhân tố có ý nghĩa thống kê tác động trực tiếp đến khả năng hoàn trả nợ vay tiền mặt tại FE Credit, chia thành hai nhóm chiều hướng tác động rõ rệt:

  1. Nhóm nhân tố tác động cùng chiều (+):

    • Thu nhập hàng tháng: Khách hàng có thu nhập cao và ổn định từ 7 triệu đồng/tháng trở lên có xác suất trả nợ đúng hạn cao hơn 34,6% so với nhóm thu nhập dưới 4 triệu đồng/tháng.
    • Trình độ học vấn: Trình độ học vấn từ trung cấp, cao đẳng, đại học trở lên giúp nâng cao nhận thức tài chính, làm tăng xác suất hoàn nợ thêm 26,8% so với nhóm lao động phổ thông.
    • Thời gian vay vốn: Khoản vay có thời hạn dài từ 18 đến 36 tháng giúp phân bổ đều nghĩa vụ tài chính hàng tháng, qua đó tăng tỷ lệ trả nợ thành công thêm 21,5% so với các kỳ hạn ngắn chịu áp lực thanh toán dồn dập.
    • Tình trạng hôn nhân và Độ tuổi: Khách hàng đã lập gia đình và nhóm khách hàng trưởng thành trong độ tuổi 30 - 50 tuổi duy trì tính ổn định công việc và ý thức trách nhiệm cao, giúp tỷ lệ hoàn trả nợ đạt mức cao hơn 19,4% so với nhóm người trẻ độc thân từ 20 đến 25 tuổi.

  2. Nhóm nhân tố tác động ngược chiều (-):

    • Lãi suất vay: Lãi suất tại FE Credit dao động trong khung 27,99% - 68%/năm. Khách hàng chịu mức lãi suất trên 50%/năm có xác suất phát sinh nợ xấu cao gấp 1,85 lần so với nhóm chịu lãi suất dưới 35%/năm.
    • Số tiền vay: Quy mô khoản vay càng lớn (vượt ngưỡng 50 triệu đồng) càng làm tăng gánh nặng lãi vay hàng tháng, làm giảm 23,2% khả năng trả nợ đúng hạn nếu thu nhập không tăng tương ứng.
    • Giới tính: Khách hàng nam giới có xác suất rơi vào nhóm nợ xấu cao hơn nữ giới khoảng 14,3% do thói quen chi tiêu và quản lý rủi ro cá nhân kém chặt chẽ hơn.

Thảo luận kết quả

Kết quả nghiên cứu thực nghiệm tại FE Credit hoàn toàn tương thích với các lý thuyết tài chính và củng cố thêm phát hiện của các công trình trước đây. Kết quả về vai trò tích cực của thu nhập và trình độ học vấn đồng thuận với nghiên cứu của Vương Quân Hoàng năm 2006 và Trương Đông Lộc năm 2011. Tác động tiêu cực của lãi suất và số tiền vay phản ánh chính xác quy luật gánh nặng nợ vay được Sumit Agarwal chỉ ra năm 2008 và Trần Thế Sao năm 2017. Đáng chú ý, việc thời gian vay tác động thuận chiều với khả năng trả nợ là một đặc trưng nổi bật của phân khúc vay tiền mặt tín chấp: việc giãn kỳ hạn vay từ 12 tháng lên 24 hoặc 36 tháng giúp hạ thấp số tiền gốc lãi phải trả từng kỳ, phù hợp với dòng tiền eo hẹp của người lao động thu nhập thấp.

Về mặt trực quan hóa dữ liệu học thuật, các kết quả phân tích định lượng này có thể được trình bày sinh động thông qua biểu đồ phân tán xác suất biên (Marginal Effects) kết hợp bảng ma trận hệ số tương quan giữa 8 biến độc lập. Việc kiểm tra hệ số phóng đại phương sai (VIF đều nhỏ hơn 2,0) và giá trị kiểm định độ phù hợp Hosmer - Lemeshow với mức ý nghĩa p-value lớn hơn 0,05 trên bảng thống kê chứng minh mô hình Probit đạt độ tin cậy dự báo vượt trội trên 82,4%, hỗ trợ đắc lực cho công tác thẩm định thực tế.

Đề xuất và khuyến nghị

Dựa trên bằng chứng thực nghiệm, tác giả đề xuất 4 nhóm giải pháp chiến lược nhằm nâng cao năng lực quản trị rủi ro tín dụng tại FE Credit:

  1. Tái cấu trúc chính sách lãi suất và gói sản phẩm tín dụng: Khối Quản trị Rủi ro và Phòng Phát triển Sản phẩm cần chủ động điều chỉnh biên độ lãi suất từ mức đỉnh 68%/năm xuống khung 25% - 45%/năm dành riêng cho khách hàng có lịch sử tín dụng tốt trên CIC. Mục tiêu giảm thiểu 15% tỷ lệ nợ quá hạn phát sinh mới, thực hiện lộ trình tái cơ cấu trong vòng 6 tháng (Quý 1 đến Quý 2 năm 2021).

  2. Hiện đại hóa hệ thống thẩm định bằng công nghệ trí tuệ nhân tạo và dữ liệu lớn: Khối Công nghệ thông tin cùng Trung tâm Phê duyệt tín dụng đẩy mạnh ứng dụng AI Scorecard, tích hợp nhận diện khuôn mặt và kiểm tra chéo tự động thông tin bảo hiểm xã hội, hóa đơn điện và lịch sử viễn thông. Giải pháp này hướng tới mục tiêu kéo giảm tỷ lệ nợ xấu toàn công ty từ 6,0% xuống dưới 4,5% vào cuối năm 2022.

  3. Thiết lập hạn mức vay và giãn kỳ hạn thanh toán linh hoạt: Khối Kinh doanh và Thẩm định ban hành quy định giới hạn số tiền vay tối đa không vượt quá 3 - 4 lần thu nhập thực tế đã kiểm chứng (khống chế mức trần dưới 50 triệu đồng cho khách hàng mới). Đồng thời khuyến khích khách hàng lựa chọn kỳ hạn trả góp từ 18 đến 36 tháng để giảm bớt áp lực trả nợ định kỳ, triển khai xuyên suốt giai đoạn 2021 - 2023.

  4. Nâng cao chuẩn mực đạo đức và nghiệp vụ đội ngũ nhân sự: Trung tâm Đào tạo phối hợp cùng Khối Kiểm toán nội bộ tổ chức tái đào tạo định kỳ 100% nhân viên kinh doanh, cộng tác viên bán hàng và chuyên viên thẩm định thực địa. Áp dụng cơ chế kiểm tra ngẫu nhiên 30% hồ sơ giải ngân nhằm triệt tiêu trên 90% các hành vi làm giả bảng lương, sao kê ngân hàng và gian lận hồ sơ trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị tham khảo sâu sắc cho 4 nhóm đối tượng trọng tâm:

  1. Ban điều hành và chuyên viên quản trị rủi ro tại các công ty tài chính tiêu dùng (FE Credit, Home Credit, Mcredit, HD SAISON): Ứng dụng trực tiếp bộ 8 nhân tố vào việc tinh chỉnh thuật toán chấm điểm tín dụng tự động và xây dựng chính sách trần lãi suất an toàn cho phân khúc vay tiền mặt tín chấp.
  2. Khối khách hàng cá nhân tại các ngân hàng thương mại: Tham khảo phương pháp quản lý danh mục cho vay tiêu dùng không tài sản bảo đảm và kinh nghiệm kiểm soát nợ xấu khi mở rộng phân khúc khách hàng đại chúng.
  3. Học viên cao học, giảng viên và nhà nghiên cứu chuyên ngành Tài chính - Ngân hàng: Sử dụng làm tài liệu tham khảo chuẩn mực về quy trình thực hiện nghiên cứu định lượng, phương pháp ứng dụng mô hình Probit và kỹ thuật xử lý dữ liệu vi mô trong lĩnh vực ngân hàng bán lẻ.
  4. Cơ quan quản lý nhà nước (Ngân hàng Nhà nước Việt Nam): Cung cấp cứ liệu thực tiễn để đánh giá thực trạng thị trường cho vay tiêu dùng quy mô hơn 60.594 tỷ đồng, từ đó hoàn thiện khung pháp lý về trần lãi suất và quy định trích lập dự phòng rủi ro tín dụng.

Câu hỏi thường gặp

Mô hình Probit trong luận văn có ưu điểm gì vượt trội trong đánh giá rủi ro tín dụng?

Mô hình Probit sử dụng hàm phân phối tích lũy chuẩn tắc để ước lượng xác suất xảy ra biến cố vỡ nợ của khách hàng cá nhân. Phương pháp này giải quyết triệt để các hạn chế của mô hình hồi quy tuyến tính khi biến phụ thuộc chỉ nhận giá trị 0 hoặc 1, đồng thời xử lý chính xác các biến định tính phi tài chính như trình độ học vấn hay tình trạng hôn nhân với độ tin cậy dự báo đạt trên 82%.

Vì sao lãi suất từ 27,99% đến 68%/năm lại tác động nghịch biến mạnh đến khả năng hoàn trả nợ?

Mức lãi suất cao từ 27,99% đến 68%/năm khiến số tiền lãi hàng tháng chiếm tỷ trọng lớn trong tổng thu nhập của người đi vay có mức lương trung bình 3 - 7 triệu đồng. Khi phát sinh các biến cố bất ngờ trong cuộc sống như bệnh tật hay giảm thu nhập, khách hàng dễ rơi vào vòng xoáy mất khả năng thanh toán và buộc phải trễ hạn.

Tại sao thời gian vay vốn dài hơn lại giúp tăng khả năng trả nợ của khách hàng vay tiền mặt?

Với hình thức trả góp gốc và lãi đều hàng tháng, thời gian vay kéo dài từ 24 đến 36 tháng giúp chia nhỏ số tiền phải thanh toán định kỳ. Điều này giúp giảm bớt gánh nặng dòng tiền tức thời, tạo điều kiện cho khách hàng dễ dàng cân đối chi tiêu sinh hoạt và duy trì nghĩa vụ trả nợ đúng hạn.

Bất cập lớn nhất trong công tác thẩm định tín chấp tại FE Credit giai đoạn 2016 - 2019 là gì?

Hạn chế lớn nhất là tình trạng thông tin bất cân xứng và rủi ro gian lận hồ sơ (chứng minh nhân dân giả, sao kê lương khống). Dữ liệu CIC thời điểm đó cập nhật định kỳ 1 tháng/lần dẫn đến độ trễ thông tin, tạo kẽ hở cho khách hàng vay cùng lúc nhiều tổ chức tín dụng mà hệ thống không kịp thời phát hiện.

Dữ liệu mẫu 600 khách hàng có đảm bảo tính đại diện cho thị trường tài chính tiêu dùng không?

Mẫu 600 hồ sơ được trích xuất ngẫu nhiên phân tầng từ hệ thống quản trị rủi ro thực tế của FE Credit trong tổng số 437.763 khách hàng năm 2019. Mẫu phản ánh đầy đủ cơ cấu đa dạng về độ tuổi (20 - 60 tuổi), giới tính, mức thu nhập và địa bàn cư trú, đảm bảo tính đại diện cao và đáp ứng đầy đủ các tiêu chuẩn kiểm định thống kê.

Kết luận

  • Luận văn đã xác định và lượng hóa chính xác 8 nhân tố cốt lõi chi phối khả năng trả nợ của khách hàng cá nhân phân khúc vay tiền mặt tại FE Credit giai đoạn 2016 - 2019.
  • Mô hình Probit chứng minh tính hiệu quả vượt trội trong việc phân tách nhóm khách hàng tốt và khách hàng có nguy cơ nợ xấu, đạt độ chính xác dự báo trên 82%.
  • Nghiên cứu chỉ rõ tác động cùng chiều của thu nhập, học vấn, thời gian vay, hôn nhân, độ tuổi và tác động ngược chiều của lãi suất, số tiền vay, giới tính nam.
  • Hệ thống 4 giải pháp đề xuất cung cấp lộ trình thực thi rõ ràng từ năm 2021 đến 2023 nhằm kéo giảm tỷ lệ nợ xấu từ 6,0% xuống dưới 4,5%.
  • Đề tài đóng góp cả về mặt lý luận học thuật lẫn thực tiễn quản trị điều hành cho thị trường tài chính tiêu dùng quy mô hơn 60.594 tỷ đồng dư nợ tại Việt Nam.

Bạn đọc và các nhà quản trị quan tâm có thể khai thác chi tiết bộ dữ liệu và mô hình thực nghiệm của luận văn để ứng dụng trực tiếp vào việc tối ưu hóa quy trình phê duyệt tín dụng tiêu dùng hiện đại.