Luận án tiến sĩ nghiên cứu các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân tại ngân hàng hợp tác xã việt nam

Luận án tiến sĩ kinh tế nghiên cứu nghiên cứu các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân tại ngân hàng hợp tác xã, phân tích chuyên sâu, xây dựng mô hình lý

• Tác giả: Ngô Tiến Quý
• Người hướng dẫn: Nguyễn Việt Dũng
• Trường học: Trường Đại Học Kinh Tế Quốc Dân
• Chuyên ngành: Tài Chính - Ngân Hàng
• Đề tài: Nghiên Cứu Các Yếu Tố Ảnh Hưởng Đến Khả Năng Vỡ Nợ Của Khách Hàng Cá Nhân Tại Ngân Hàng Hợp Tác Xã Việt Nam
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT CÁC YẾU TỐ ẢNH HƯỞNG TỚI KHẢ NĂNG VỠ NỢ CỦA KHÁCH HÀNG CÁ NHÂN
• 1.1. Tổng quan nghiên cứu
• 1.2. Các nghiên cứu nước ngoài về các yếu tố ảnh hưởng lên khả năng vỡ nợ của khách hàng
• 1.3. Các nghiên cứu trong nước về các yếu tố ảnh hưởng lên khả năng vỡ nợ của khách hàng
• 1.4. Các nghiên cứu ước lượng dự báo về rủi ro vỡ nợ của khách hàng sử dụng cây phân loại
• 1.5. Các vấn đề về tín dụng của ngân hàng
• 1.5.1. Khái niệm tín dụng ngân hàng
• 1.5.2. Đặc trưng của tín dụng ngân hàng
• 1.5.3. Vai trò của tín dụng ngân hàng
• 1.5.4. Các hình thức tín dụng của ngân hàng
• 1.6. Các vấn đề về tín dụng khách hàng cá nhân
• 1.6.1. Tín dụng khách hàng cá nhân
• 1.6.2. Chính sách tín dụng khách hàng cá nhân
• 1.6.3. Quy trình tín dụng khách hàng cá nhân
• 1.6.4. Rủi ro tín dụng
• 1.6.5. Ảnh hưởng của vỡ nợ tín dụng
• 1.6.6. Hoạt động xếp hạng tín dụng trong các ngân hàng
• 1.6.6.1. Khái niệm xếp hạng tín dụng
• 1.6.6.2. Vai trò của xếp hạng tín dụng
• 1.6.6.3. Nguyên tắc hoạt động xếp hạng tín dụng
• 1.6.6.4. Quy trình xếp hạng tín dụng
• 1.6.6.5. Một số mô hình xếp hạng tín dụng
• 1.6.6.6. Mô hình xếp hạng tín dụng tại ngân hàng
• 1.6.6.7. Một số hạn chế của xếp hạng tín dụng khách hàng cá nhân hiện nay
• 1.7. Các yếu tố ảnh hưởng tới khả năng vỡ nợ của khách hàng cá nhân
• 1.7.1. Yếu tố thông tin cá nhân của khách hàng
• 1.7.2. Yếu tố về điều kiện sống của khách hàng
• 1.7.3. Yếu tố về tài chính của khách hàng
• 1.7.4. Yếu tố hành vi của khách hàng
• 1.8. KẾT LUẬN CHƯƠNG 1
• 2. CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Quy trình nghiên cứu
• 2.1.1. Xác định mục tiêu nghiên cứu
• 2.1.2. Xây dựng cơ sở lý thuyết
• 2.1.3. Xây dựng mô hình nghiên cứu
• 2.1.4. Phân tích dữ liệu
• 2.1.5. Hoàn thiện báo cáo luận án
• 2.2. Mô hình và giả thuyết nghiên cứu
• 2.2.1. Mô hình nghiên cứu
• 2.2.2. Các biến nghiên cứu trong mô hình
• 2.2.3. Các giả thuyết nghiên cứu
• 2.3. Thiết kế nghiên cứu
• 2.3.1. Mẫu nghiên cứu
• 2.3.2. Thu thập dữ liệu
• 2.3.3. Phương pháp phân tích dữ liệu
• 2.3.4. Mô tả dữ liệu
• 2.3.5. Phân tích tương quan
• 2.3.6. Các mô hình phân tích và dự báo vỡ nợ của khách hàng cá nhân
• 2.4. KẾT LUẬN CHƯƠNG 2
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 3.1. Khái quát chung về Ngân hàng Hợp tác xã Việt Nam
• 3.1.1. Giới thiệu về ngân hàng Hợp tác xã Việt Nam
• 3.1.2. Hoạt động sử dụng vốn của Ngân hàng hợp tác xã Việt Nam
• 3.1.3. Thực trạng về các cá nhân vay vốn tại NN HTX theo mẫu nghiên cứu
• 3.2. Kết quả phân tích các yếu tố ảnh hưởng lên khả năng vỡ nợ của KHCN
• 3.2.1. Kết quả hồi quy Logistic
• 3.2.2. Kết quả mô hình ước lượng Probit
• 3.2.3. Kết quả mô hình dự báo dựa trên mạng Neuron nhân tạo (Artificial Neural Network)
• 3.2.4. Kết quả mô hình phân loại Random Forest
• 3.2.5. Tổng hợp kết quả nghiên cứu
• 3.2.6. Thảo luận kết quả nghiên cứu
• 3.2.7. So sánh mức độ dự báo chính xác của các mô hình ước lượng
• 3.2.8. Phỏng vấn chuyên gia về nguyên nhân rủi ro tín dụng
• 3.3. KẾT LUẬN CHƯƠNG 3
• 4. CHƯƠNG 4: GIẢI PHÁP VÀ KHUYẾN NGHỊ
• 4.1. Giải pháp nâng cao hiệu quả hoạt động tín dụng KHCN tại Ngân hàng HTX Việt Nam
• 4.2. Giải pháp giúp hạn chế rủi ro tín dụng khách hàng cá nhân trong quá trình chuẩn bị hồ sơ
• 4.3. Giải pháp về giám sát hoạt động sau cho vay
• 4.4. Giải pháp liên quan tới cải thiện hệ thống chấm điểm tín dụng định kỳ
• 4.5. Giải pháp hoàn thiện hệ thống chấm điểm tín dụng trực tuyến
• 4.6. Xây dựng hệ thống xếp hạn tín dụng khách hàng cá nhân tại Ngân hàng HTX dựa trên kết quả nghiên cứu
• 4.7. Cách thức ra quyết định cho vay và không cho vay đối với khách hàng cá nhân khi vay vốn ở Ngân hàng HTX
• 4.7.1. Đối với Ngân hàng HTX Việt Nam
• 4.7.2. Đối với Ngân hàng Nhà nước
• 4.7.3. Đối với Trung tâm thông tin tín dụng (CIC)
• 4.8. Hạn chế của đề tài và các hướng nghiên cứu tiếp theo
• DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ KẾT QUẢ NGHIÊN CỨU
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan nghiên cứu

Nghiên cứu về khả năng vỡ nợ của khách hàng cá nhân tại ngân hàng hợp tác xã Việt Nam đã thu hút sự quan tâm của nhiều nhà nghiên cứu. Các nghiên cứu trước đây đã chỉ ra rằng có nhiều yếu tố ảnh hưởng đến khả năng vỡ nợ, bao gồm thông tin cá nhân, điều kiện sống, và tình hình tài chính của khách hàng. Các nghiên cứu quốc tế như của Abid & Cộng sự (2018) đã so sánh các mô hình dự báo khả năng vỡ nợ và chỉ ra rằng mô hình Logistic có hiệu quả cao hơn so với mô hình phân tích biệt số. Mensah (2013) cũng đã chỉ ra rằng lãi suất cho vay và rủi ro đạo đức là những yếu tố quan trọng trong việc dự đoán khả năng vỡ nợ. Những nghiên cứu này cung cấp cơ sở lý thuyết cho việc phân tích các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng tại ngân hàng hợp tác xã Việt Nam.

1.1. Các nghiên cứu nước ngoài

Các nghiên cứu nước ngoài đã chỉ ra rằng hành vi khách hàng và các yếu tố kinh tế vĩ mô có ảnh hưởng lớn đến khả năng vỡ nợ. Ví dụ, nghiên cứu của Ojiako & Ogbukwa đã chỉ ra rằng độ tuổi, giới tính, và trình độ học vấn có tác động đến khả năng trả nợ của nông dân tại Nigeria. Những yếu tố này cũng có thể được áp dụng để phân tích tình hình tại ngân hàng hợp tác xã Việt Nam, nơi mà tín dụng cho khách hàng cá nhân đang ngày càng gia tăng.

1.2. Các nghiên cứu trong nước

Tại Việt Nam, các nghiên cứu về khả năng vỡ nợ của khách hàng cá nhân còn hạn chế. Tuy nhiên, một số nghiên cứu đã chỉ ra rằng tín dụng tiêu dùng và tình hình kinh tế có ảnh hưởng lớn đến khả năng trả nợ. Các yếu tố như thu nhập, tình trạng hôn nhân, và tài sản đảm bảo cũng được xem xét. Việc hiểu rõ các yếu tố này sẽ giúp ngân hàng hợp tác xã xây dựng các chính sách cho vay hiệu quả hơn.

II. Phương pháp nghiên cứu

Luận án sử dụng cả phương pháp định tính và định lượng để phân tích các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân. Phương pháp định tính bao gồm phỏng vấn chuyên gia để thu thập thông tin về các yếu tố rủi ro trong cho vay. Phương pháp định lượng sử dụng các mô hình hồi quy Logistic, Probit, và mạng nơ-ron nhân tạo (ANN) để phân tích dữ liệu. Việc so sánh các mô hình này sẽ giúp xác định mô hình dự báo nào có hiệu quả nhất trong việc dự đoán khả năng vỡ nợ của khách hàng. Kết quả từ nghiên cứu sẽ cung cấp thông tin hữu ích cho quản lý rủi ro tín dụng tại ngân hàng hợp tác xã.

2.1. Thiết kế nghiên cứu

Nghiên cứu được thiết kế để thu thập dữ liệu từ các khách hàng cá nhân tại ngân hàng hợp tác xã. Dữ liệu sẽ bao gồm thông tin về lịch sử tín dụng, thu nhập, và các yếu tố cá nhân khác. Phân tích hồi quy sẽ được thực hiện để kiểm định các giả thuyết về mối quan hệ giữa các yếu tố này và khả năng vỡ nợ.

2.2. Phân tích dữ liệu

Dữ liệu thu thập sẽ được phân tích bằng các phương pháp thống kê để xác định các yếu tố có ảnh hưởng lớn nhất đến khả năng vỡ nợ. Các mô hình như Logistic và Probit sẽ được so sánh để tìm ra mô hình dự báo tốt nhất. Kết quả sẽ được sử dụng để đưa ra các khuyến nghị cho ngân hàng hợp tác xã trong việc quản lý rủi ro tín dụng.

III. Kết quả nghiên cứu

Kết quả nghiên cứu cho thấy có nhiều yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân tại ngân hàng hợp tác xã. Các yếu tố như thu nhập, tình trạng hôn nhân, và tài sản đảm bảo đều có tác động đáng kể đến khả năng trả nợ. Mô hình hồi quy Logistic cho thấy tỷ lệ dự đoán chính xác cao hơn so với các mô hình khác. Điều này cho thấy rằng việc sử dụng mô hình này có thể giúp ngân hàng hợp tác xã cải thiện quy trình cho vay và giảm thiểu rủi ro vỡ nợ.

3.1. Kết quả phân tích hồi quy

Phân tích hồi quy cho thấy rằng các yếu tố như thu nhập và tài sản đảm bảo có tác động tích cực đến khả năng trả nợ. Ngược lại, các yếu tố như nợ xấu trước đó và tình trạng hôn nhân có tác động tiêu cực. Những phát hiện này có thể giúp ngân hàng hợp tác xã trong việc đánh giá rủi ro tín dụng của khách hàng.

3.2. So sánh các mô hình dự báo

Kết quả so sánh giữa các mô hình cho thấy mô hình Logistic có độ chính xác cao nhất trong việc dự đoán khả năng vỡ nợ. Mô hình ANN cũng cho kết quả khả quan, nhưng không vượt trội hơn so với Logistic. Việc lựa chọn mô hình phù hợp sẽ giúp ngân hàng hợp tác xã tối ưu hóa quy trình cho vay và giảm thiểu rủi ro.

IV. Giải pháp và khuyến nghị

Dựa trên kết quả nghiên cứu, một số giải pháp được đề xuất nhằm nâng cao hiệu quả hoạt động tín dụng tại ngân hàng hợp tác xã. Đầu tiên, ngân hàng cần cải thiện quy trình thẩm định hồ sơ vay vốn để giảm thiểu rủi ro vỡ nợ. Thứ hai, cần xây dựng hệ thống chấm điểm tín dụng dựa trên các yếu tố đã được xác định trong nghiên cứu. Cuối cùng, ngân hàng nên tăng cường giám sát và hỗ trợ khách hàng trong quá trình vay vốn để đảm bảo khả năng trả nợ.

4.1. Cải thiện quy trình thẩm định

Ngân hàng cần xem xét lại quy trình thẩm định hồ sơ vay vốn để đảm bảo rằng các yếu tố rủi ro được đánh giá đầy đủ. Việc này sẽ giúp ngân hàng giảm thiểu khả năng vỡ nợ và nâng cao hiệu quả cho vay.

4.2. Xây dựng hệ thống chấm điểm tín dụng

Hệ thống chấm điểm tín dụng cần được xây dựng dựa trên các yếu tố ảnh hưởng đã được xác định trong nghiên cứu. Điều này sẽ giúp ngân hàng có cái nhìn tổng quan hơn về khả năng trả nợ của khách hàng và đưa ra quyết định cho vay chính xác hơn.

Nội dung chính

Tổng quan về luận án

Hoạt động tín dụng cá nhân giữ vai trò huyết mạch trong việc thúc đẩy tăng trưởng kinh tế, phân bổ nguồn vốn xã hội và hỗ trợ sinh kế cho các tầng lớp dân cư. Tuy nhiên, rủi ro tín dụng, đặc biệt là xác suất vỡ nợ (Probability of Default - PD) của khách hàng cá nhân (KHCN), luôn là thách thức cốt lõi đe dọa sự an toàn vốn (Capital Adequacy) và thanh khoản của hệ thống ngân hàng. Bối cảnh nghiên cứu của luận án được đặt trong giai đoạn thị trường tài chính Việt Nam chứng kiến sự gia tăng mạnh mẽ của nợ xấu. Trích dẫn nguyên văn từ báo cáo tài chính trong luận án: "Theo báo cáo của Tổ chức tài chính, tỷ lệ nợ xấu của 22 ngân hàng ở Việt Nam năm 2019 khoảng 78,5 nghìn tỷ đồng (tăng 41% so với năm 2018). Trong đó, đa số các ngân hàng đều có xu hướng tăng nợ xấu, lớn nhất là Ngân hàng Tiên Phong và Ngân hàng Đại Dương (tốc độ tăng nợ xấu của Ngân hàng Tiên Phong là 43,39% và Ngân hàng Đại Dương là 80,10% so với năm 2018)". Đặc biệt, Ngân hàng Hợp tác xã Việt Nam (Co-opBank) – định chế giữ vai trò đầu mối điều hòa vốn cho hệ thống gần 1.200 Quỹ tín dụng nhân dân (QTDND) – đứng trước yêu cầu cấp bách phải đưa tỷ lệ nợ xấu xuống dưới 3% vào cuối năm 2020 theo quy định của Ngân hàng Nhà nước.

Khoảng trống nghiên cứu (Research Gap) được xác định rõ rệt: phần lớn các công trình trong nước và quốc tế trước đây chủ yếu tập trung vào các ngân hàng thương mại cổ phần hoặc thị trường tài chính phát triển với các mô hình kinh tế lượng truyền thống (Logistic, Probit), thiếu vắng các nghiên cứu thực nghiệm chuyên sâu tại các tổ chức tín dụng mang tính chất hợp tác xã ở các nền kinh tế mới nổi. Đồng thời, có sự thiếu hụt nghiêm trọng các nghiên cứu thực hiện đối chuẩn đa chiều giữa các phương pháp kinh tế lượng cổ điển và các thuật toán học máy tiên tiến (Mạng thần kinh nhân tạo - ANN, Rừng ngẫu nhiên - Random Forest) trong việc phân loại và dự báo rủi ro vỡ nợ KHCN.

Luận án của nghiên cứu sinh Ngô Tiến Quý (2020), do PGS.TS. Nguyễn Việt Dũng và PGS.TS. Trương Thị Hoài Linh hướng dẫn tại Trường Đại học Kinh tế Quốc dân (Mã số chuyên ngành: 9340201 - Tài chính - Ngân hàng), giải quyết 4 câu hỏi nghiên cứu trọng tâm:

1. Những cơ sở lý thuyết nào quyết định các yếu tố ảnh hưởng tới khả năng vỡ nợ của KHCN tại Ngân hàng Hợp tác xã Việt Nam?
2. Có sự khác biệt nào về mức độ ảnh hưởng của các yếu tố kinh tế - xã hội, tài chính và hành vi lên khả năng vỡ nợ khi áp dụng các kỹ thuật ước lượng khác nhau?
3. Mô hình dự báo nào (Logistic, Probit, ANN hay Random Forest) mang lại hiệu quả dự báo tối ưu đối với tập dữ liệu tín dụng KHCN tại Ngân hàng Hợp tác xã Việt Nam?
4. Những giải pháp và chính sách thực thi nào có thể giảm thiểu xác suất vỡ nợ và chuẩn hóa hệ thống xếp hạng tín dụng nội bộ tại Ngân hàng Hợp tác xã Việt Nam?

Phạm vi nghiên cứu bao quát dữ liệu lịch sử tín dụng của KHCN vay vốn ngắn, trung và dài hạn từ năm 2014 đến thời điểm đáo hạn hoàn tất vào cuối năm 2019. Nghiên cứu mang tính tiên phong khi thiết lập hệ thống xếp hạng tín dụng chuyên biệt cho mô hình ngân hàng hợp tác xã, tích hợp các thuật toán trí tuệ nhân tạo hiện đại để nâng cao độ chính xác trong thẩm định hồ sơ vay vốn.

Literature Review và Positioning

Tổng quan y văn quốc tế và trong nước về rủi ro vỡ nợ của khách hàng cá nhân ghi nhận sự phát triển qua ba dòng nghiên cứu chính:

Dòng nghiên cứu thứ nhất tập trung vào các yếu tố nhân khẩu học và năng lực tài chính cá nhân. Khởi xướng từ các nghiên cứu kinh điển của Mathews & Slocum (1969), các tác giả khẳng định khách hàng có thu nhập thấp và địa vị xã hội thấp thường sử dụng tín dụng kém hiệu quả, dẫn đến tỷ lệ vỡ nợ cao hơn. Phát hiện này được củng cố bởi Agarwal & Cộng sự (2009) khi phân tích hơn 170.000 chủ thẻ tín dụng tại Mỹ, chứng minh rằng chủ thẻ có thu nhập cao và sở hữu tài sản lớn giảm xác suất vỡ nợ tương ứng 17% và 22%. Peter & Peter (2006) tại Úc (mẫu 3.431 hộ gia đình) cũng chỉ ra các biến số nhân khẩu học xã hội như tuổi trẻ, học vấn thấp và tình trạng ly hôn làm gia tăng đáng kể gánh nặng trả nợ thế chấp. Ngược lại, Dunn & Kim (1999) tại bang Ohio (Mỹ) lại tìm thấy bằng chứng trái ngược khi cho rằng thu nhập, trình độ học vấn và sở hữu nhà không có tác động mang ý nghĩa thống kê tới khả năng vỡ nợ, trong khi tuổi tác và quy mô gia đình lại mang tính quyết định.

Dòng nghiên cứu thứ hai xem xét các điều khoản hợp đồng tín dụng và bối cảnh thể chế tại các thị trường đang phát triển. Mensah (2013) nghiên cứu tại Ghana chỉ ra rằng không có mối quan hệ đáng kể giữa lịch trả nợ và sự vỡ nợ, mà rủi ro chủ yếu xuất phát từ lãi suất cao, rủi ro đạo đức (Moral Hazard), hiện tượng vay quá mức và việc thiếu tài sản thế chấp cũng như thiếu tần suất kiểm tra sau cho vay của cán bộ tín dụng. Tại Nigeria, Ojiako & Ogbukwa (2012) khẳng định quy mô hộ gia đình tác động ngược chiều, trong khi diện tích đất nông nghiệp và quy mô khoản vay tác động cùng chiều lên khả năng trả nợ của nông dân hợp tác xã. Dufhues & Cộng sự (2011) so sánh giữa Thái Lan và Việt Nam, chỉ ra rằng ở Thái Lan học vấn và giá trị đầu tư quyết định khả năng trả nợ, trong khi tại Việt Nam yếu tố dân tộc và quy mô khoản vay đóng vai trò then chốt. Tại Việt Nam, Phạm Thị Thu Trà & Lensink (2008) so sánh tín dụng chính thức, bán chính thức và phi chính thức; Đinh Thị Huyền Thanh & Kleimeier (2007) xác lập mô hình chấm điểm tín dụng bán lẻ với 16 biến có ý nghĩa như thâm niên giao dịch, giới tính, số khoản vay và thời hạn vay; Đào Thị Thanh Bình (2019) ứng dụng mô hình FICO và phân tích biệt số chỉ ra số người phụ thuộc và số dư tài khoản đóng góp lớn nhất vào khả năng dự báo.

Dòng nghiên cứu thứ ba tập trung vào sự tiến hóa của các phương pháp mô hình hóa dự báo. Ban đầu, phân tích biệt số (Discriminant Analysis - DA) và hồi quy Logistic (Logit) chiếm ưu thế. Nghiên cứu của Abid & Cộng sự (2018) trích dẫn minh chứng: "Bằng cách so sánh hiệu quả của hồi quy Logistic (LR) và phân tích biệt số (DA), các tác giả thấy rằng mô hình LR mang lại hiệu quả tốt 99% tỷ lệ phân loại trong dự đoán các loại khách hàng, phương pháp DA (trong đó tỷ lệ phân loại tốt chỉ bằng 68,49% dẫn đến tỷ lệ lỗi cao đáng kể tức là 31,51 %)". Bước sang kỷ nguyên trí tuệ nhân tạo, các nghiên cứu của Bennell & Cộng sự (2006), Finch & Schneider (2007), Pacelli & Azzollini (2011), Zhang (2011), Khemakhem & Boujelbene (2015), và Kvamme & Cộng sự (2018) đã chứng minh Mạng thần kinh nhân tạo (ANN) và Rừng ngẫu nhiên (Random Forest) có khả năng vượt trội trong việc xử lý các mối quan hệ phi tuyến phức tạp, đạt diện tích dưới đường cong ROC (AUC) lên tới 0,926 so với các mô hình truyền thống.

Luận án định vị chính xác tại điểm giao thoa giữa tài chính vi mô/ngân hàng hợp tác xã và khoa học dữ liệu ứng dụng. Nghiên cứu không chỉ giải mã các yếu tố quyết định rủi ro vỡ nợ của KHCN đặc thù nông thôn - đô thị tại Việt Nam mà còn trực tiếp so sánh 4 cấu trúc thuật toán (Logistic, Probit, ANN, Random Forest) trên cùng một bộ dữ liệu thực chứng hoàn chỉnh.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và bổ sung cơ sở lý luận cho nhiều hệ thống lý thuyết tài chính - ngân hàng nền tảng:

• Lý thuyết Thông tin bất cân xứng (Asymmetric Information Theory) của Akerlof (1970) cùng Stiglitz & Weiss (1981): Nghiên cứu làm rõ cơ chế phát sinh Lựa chọn đối nghịch (Adverse Selection) và Rủi ro đạo đức (Moral Hazard) trong môi trường tín dụng cá nhân tại ngân hàng hợp tác xã, nơi mức độ minh bạch tài chính của người vay thấp hơn nhiều so với khu vực doanh nghiệp.
• Lý thuyết Trung gian tài chính (Financial Intermediation Theory) và Lý thuyết Quản trị rủi ro tín dụng: Luận án tái khẳng định định nghĩa pháp lý và học thuật, theo Điều 20 Luật các Tổ chức tín dụng năm 2010: "Cấp tín dụng là việc tổ chức tín dụng thỏa thuận để khách hàng sử dụng một khoản tiền với nguyên tắc có hoàn trả bằng các nghiệp vụ cho vay, chiết khấu, cho thuê tài chính, bảo lãnh ngân hàng và các nghiệp vụ khác".
• Lý thuyết Xếp hạng và Điểm số tín dụng (Credit Scoring Theory): Nghiên cứu kế thừa và phê phán các mô hình điểm số quốc tế như FICO (Fair Isaac Corporation), VantageScore, Credit Sesame, CreditKarma, đồng thời bổ sung các biến số hành vi phi tài chính (tham gia bảo hiểm nhân thọ, đa dạng hóa nguồn thu nhập, kỳ hạn trả nợ) phù hợp với đặc thù thể chế Việt Nam.

Khung lý thuyết của đề tài thiết lập các giả thuyết nghiên cứu chính:

• $H_1$: Đặc điểm nhân khẩu học (độ tuổi, giới tính, tình trạng hôn nhân, trình độ học vấn, nơi ở) có ảnh hưởng đáng kể đến khả năng vỡ nợ của KHCN.
• $H_2$: Năng lực tài chính (thu nhập ròng, tỷ lệ trả nợ trên thu nhập, tài sản đảm bảo) có tác động ngược chiều đến xác suất vỡ nợ.
• $H_3$: Các yếu tố hành vi và quan hệ tín dụng (thâm niên giao dịch, số lần vay, việc tham gia bảo hiểm nhân thọ, đa dạng hóa việc làm) làm giảm thiểu rủi ro vỡ nợ.
• $H_4$: Các mô hình học máy (ANN, Random Forest) có năng lực phân loại và dự báo chính xác xác suất vỡ nợ vượt trội so với các mô hình kinh tế lượng tham số (Logistic, Probit).

graph TD
    A[Yếu tố Nhân khẩu học & Xã hội<br/>Tuổi, Giới tính, Hôn nhân, Học vấn, Cư trú] --> D[Xác suất Vỡ nợ của KHCN<br/>Probability of Default - PD]
    B[Yếu tố Năng lực Tài chính<br/>Thu nhập, Tỷ lệ Nợ/Thu nhập, Tài sản đảm bảo] --> D
    C[Yếu tố Hành vi & Quan hệ Ngân hàng<br/>Bảo hiểm nhân thọ, Đa dạng việc làm, Lịch sử tín dụng] --> D
    D --> E[Mô hình Dự báo Kinh tế lượng<br/>Logistic & Probit Regression]
    D --> F[Mô hình Dự báo Học máy<br/>Artificial Neural Network & Random Forest]
    E --> G[Hệ thống Xếp hạng Tín dụng Nội bộ Mới<br/>Tối ưu hóa Quyết định Cấp tín dụng]
    F --> G

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa chiều ba nhóm trụ cột biến số:

1. Trụ cột Nhân thân và Điều kiện sống: Bao gồm nhóm tuổi, học vấn, tình trạng hôn nhân, số người phụ thuộc, tình trạng cư trú và cơ cấu hộ gia đình.
2. Trụ cột Năng lực tài chính và Tài sản: Bao gồm thu nhập ròng hàng tháng, tỷ lệ nghĩa vụ trả nợ trên thu nhập, giá trị và loại hình tài sản đảm bảo (bất động sản, động sản, tiền gửi).
3. Trụ cột Hành vi tiêu dùng và Quan hệ ngân hàng: Điểm nhấn mới lạ là đưa vào biến số tham gia hợp đồng bảo hiểm nhân thọ, mức độ đa dạng hóa công việc/nguồn thu, kỳ hạn trả nợ và lịch sử giao dịch tại CIC.

Điều kiện biên (Boundary conditions) của khung phân tích được xác định rõ: áp dụng cho danh mục khách hàng cá nhân vay vốn phục vụ đời sống và sản xuất kinh doanh quy mô nhỏ tại Ngân hàng Hợp tác xã Việt Nam, với dữ liệu ghi nhận đầy đủ chu kỳ từ giải ngân đến hoàn tất nghĩa vụ nợ hoặc phát sinh nợ xấu nhóm 3 đến nhóm 5.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) với lập trường nhận thức luận khách quan (Objectivist Epistemology), sử dụng phương pháp diễn dịch kết hợp thiết kế nghiên cứu hỗn hợp (Mixed Methods Design) tuần tự:

• Giai đoạn định tính: Tiến hành phỏng vấn sâu các chuyên gia, cán bộ quản trị rủi ro và cán bộ tín dụng tại Ngân hàng Hợp tác xã nhằm xác định sơ bộ danh mục các biến số, điều chỉnh mô hình phù hợp với thực tiễn hoạt động và tham vấn các giải pháp sau phân tích định lượng.
• Giai đoạn định lượng: Thu thập dữ liệu thứ cấp từ hồ sơ vay vốn thực tế, làm sạch dữ liệu, mã hóa biến số, thực hiện thống kê mô tả, phân tích ma trận tương quan, ước lượng hồi quy kinh tế lượng và huấn luyện các mô hình học máy phân loại.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được tiến hành qua 5 bước nghiêm ngặt:

1. Xác định mục tiêu và câu hỏi nghiên cứu dựa trên khoảng trống y văn và yêu cầu thực tiễn của Ngân hàng Hợp tác xã Việt Nam.
2. Tổng hợp cơ sở lý thuyết, phát triển mô hình khái niệm và hệ thống các giả thuyết kiểm định.
3. Thu thập dữ liệu toàn diện: Trích xuất hồ sơ tín dụng KHCN từ năm 2014 có chu kỳ đáo hạn hoàn tất đến cuối năm 2019. Trích dẫn nguyên văn về dữ liệu: "Đến cuối 2019, lịch sử tín dụng KHCN tới thời điểm đáo hạn ngân hàng đã hoàn tất. Các khách hàng có lịch sử vay vốn trong cả ngắn hạn, trung hạn và dài hạn từ năm 2014. Do đó, dữ liệu về việc trả được nợ cũng như không trả được nợ được thu thập tại thời điểm cuối năm 2019". Thông tin định danh cá nhân của khách hàng được bảo mật tuyệt đối.
4. Phân tách tập dữ liệu: Mẫu nghiên cứu được chia tách thành hai tập độc lập:
   • Tập huấn luyện/ước lượng (Estimation Sample): Chiếm tỷ trọng lớn nhằm ước lượng hệ số hồi quy và huấn luyện mạng Neuron/Random Forest.
   • Tập kiểm tra (Testing/Validation Sample): Dùng để kiểm định chéo độc lập (Out-of-sample testing) nhằm đánh giá năng lực dự báo thực tế và phòng tránh hiện tượng quá khớp (Overfitting).
5. Phỏng vấn chuyên gia đối chiếu kết quả thực nghiệm và hoàn thiện hệ thống khuyến nghị chính sách.

Data và phân tích

Nghiên cứu triển khai đồng thời 4 động cơ phân tích dữ liệu tiên tiến:

1. Mô hình Hồi quy Logistic (Logit): Ước lượng xác suất vỡ nợ thông qua hàm phân phối Logistic dạng $P(Y=1|X) = \frac{1}{1 + e^{-(\beta_0 + \beta X)}}$, cung cấp tỷ số chênh (Odds Ratio) rõ ràng cho từng biến giải thích.
2. Mô hình Probit: Ước lượng xác suất dựa trên hàm phân phối tích lũy chuẩn tắc (Standard Normal Cumulative Distribution Function), phục vụ đối chứng độ vững (Robustness check) với Logit.
3. Mô hình Mạng thần kinh nhân tạo (Artificial Neural Network - ANN): Sử dụng cấu trúc mạng lan truyền tiến với thuật toán lan truyền ngược (Backpropagation), bao gồm tầng nhập liệu (Input layer), các tầng ẩn (Hidden layers) với hàm kích hoạt phi tuyến tính và tầng xuất dữ liệu (Output layer) để nhận diện các mẫu hình vỡ nợ phức tạp.
4. Mô hình Rừng ngẫu nhiên (Random Forest): Kỹ thuật học máy kết hợp (Ensemble Learning) dựa trên việc xây dựng hàng trăm cây quyết định (Decision Trees) với cơ chế lấy mẫu ngẫu nhiên có hoàn lại (Bootstrap aggregating - Bagging) và chọn ngẫu nhiên tập biến dự báo, cho phép đo lường chính xác mức độ quan trọng của từng biến số (Variable Importance).

Các phần mềm chuyên dụng như Stata, SPSS và ngôn ngữ lập trình phân tích dữ liệu (R/Python) được sử dụng để tính toán các ma trận nhầm lẫn (Confusion Matrix), độ nhạy (Sensitivity), độ đặc hiệu (Specificity), tỷ lệ phân loại chính xác toàn phần và diện tích dưới đường cong ROC.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm từ luận án đã mang lại những phát hiện đột phá có ý nghĩa khoa học và thực tiễn cao:

1. Sự vượt trội của các mô hình học máy hiện đại: So sánh mức độ dự báo chính xác giữa 4 mô hình cho thấy mô hình Rừng ngẫu nhiên (Random Forest) và Mạng thần kinh nhân tạo (ANN) đạt tỷ lệ dự báo chính xác trên tập dữ liệu kiểm tra cao hơn rõ rệt so với hai mô hình kinh tế lượng truyền thống (Logistic và Probit). Mô hình Random Forest cho kết quả phân loại tối ưu nhất, hạn chế tối đa sai lầm loại I (cho vay nhầm khách hàng vỡ nợ) và sai lầm loại II (từ chối khách hàng tốt).
2. Vai trò quyết định của biến số Tham gia bảo hiểm nhân thọ: Khách hàng cá nhân có tham gia hợp đồng bảo hiểm nhân thọ có xác suất vỡ nợ thấp hơn có ý nghĩa thống kê ($p < 0,01$). Đây là phát hiện thực chứng mới, chứng minh rằng bảo hiểm nhân thọ không chỉ là công cụ bảo vệ tài chính trước biến cố sinh mạng mà còn phản ánh ý thức kỷ luật tài chính và tính cẩn trọng cao của người đi vay.
3. Tác động tích cực của Đa dạng hóa công việc/nguồn thu: Khách hàng có nhiều nguồn thu nhập từ các công việc khác nhau (kết hợp nông nghiệp và phi nông nghiệp, kinh doanh phụ) có khả năng thanh toán nợ đúng hạn cao hơn rõ rệt so với khách hàng chỉ phụ thuộc vào một nguồn thu nhập duy nhất.
4. Hiệu lực của Tài sản đảm bảo và Kỳ hạn trả nợ: Tài sản đảm bảo có tính thanh khoản cao (bất động sản có sổ đỏ, tiền gửi) làm giảm đáng kể rủi ro vỡ nợ. Đồng thời, các khoản vay có kỳ hạn trả nợ được cơ cấu phù hợp với chu kỳ luân chuyển tiền mặt của hộ kinh doanh/nông dân giúp giảm áp lực thanh toán đột biến, từ đó hạ thấp tỷ lệ nợ quá hạn.
5. Ảnh hưởng của các biến nhân khẩu học: Độ tuổi từ 35 đến 55, trình độ học vấn cao, tình trạng hôn nhân ổn định và thời gian cư trú lâu năm tại địa phương có mối tương quan nghịch với xác suất vỡ nợ, xác nhận tính đúng đắn của các lý thuyết xã hội học tài chính trong môi trường ngân hàng hợp tác xã.

Implications đa chiều

• Về mặt học thuật và phương pháp luận: Luận án cung cấp bằng chứng thực nghiệm khẳng định việc kết hợp các mô hình kinh tế lượng giải thích (để tìm hiểu bản chất tác động) và các mô hình học máy dự báo (để phân loại rủi ro chính xác) là hướng tiếp cận ưu việt cho các nghiên cứu chấm điểm tín dụng tại các thị trường mới nổi.
• Ứng dụng thực tiễn cho Ngân hàng Hợp tác xã: Cung cấp cơ sở khoa học để tái cấu trúc toàn diện bộ tiêu chí chấm điểm tín dụng nội bộ, chuyển dịch từ đánh giá định tính cảm quan sang hệ thống xếp hạng định lượng tự động hóa.
• Khuyến nghị chính sách cho Ngân hàng Nhà nước và CIC: Cần đẩy mạnh cơ chế chia sẻ thông tin tín dụng quốc gia, tích hợp các dữ liệu hành vi phi truyền thống và hoàn thiện khung pháp lý giám sát an toàn vi mô đối với phân khúc tín dụng hợp tác xã và quỹ tín dụng nhân dân.

Limitations và Future Research

Mặc dù đạt được nhiều kết quả đột phá, luận án thẳng thắn thừa nhận một số giới hạn nghiên cứu:

• Giới hạn về không gian mẫu: Dữ liệu thu thập tập trung chủ yếu tại hệ thống Ngân hàng Hợp tác xã Việt Nam, chưa thể bao quát toàn bộ danh mục của các ngân hàng thương mại bán lẻ quy mô lớn hoặc các công ty tài chính tiêu dùng.
• Giới hạn về thời gian dữ liệu: Tập dữ liệu kết thúc ở mốc năm 2019 (giai đoạn trước đại dịch COVID-19), do đó chưa phản ánh được các cú sốc kinh tế vĩ mô ngoại sinh bất thường tác động lên dòng tiền của hộ gia đình.
• Giới hạn về biến số tâm lý hành vi: Chưa lượng hóa sâu sắc các đặc tính tâm lý học hành vi chuyên sâu (mức độ né tránh rủi ro, thiên kiến tự tin quá mức) do hạn chế của dữ liệu hồ sơ hành chính thứ cấp.

Chương trình nghiên cứu 5-10 năm tiếp theo được đề xuất:

1. Mở rộng mẫu nghiên cứu đa định chế, đối chuẩn so sánh giữa Ngân hàng Hợp tác xã, NHTM nhà nước và NHTM cổ phần.
2. Ứng dụng các thuật toán học sâu (Deep Learning) và học máy có khả năng giải thích (Explainable AI - XAI như SHAP, LIME) để minh bạch hóa hộp đen thuật toán trong xếp hạng tín dụng.
3. Tích hợp dữ liệu lớn (Big Data) từ giao dịch viễn thông, thương mại điện tử và mạng xã hội vào mô hình dự báo rủi ro vỡ nợ.
4. Đánh giá tác động của các cú sốc vĩ mô (lạm phát, biến động lãi suất) lên xác suất vỡ nợ thông qua mô hình kiểm tra sức chịu tải (Stress Testing).

Tác động và ảnh hưởng

Luận án tạo ra tác động lan tỏa mạnh mẽ trên nhiều phương diện:

• Tác động học thuật: Trở thành tài liệu tham khảo chuẩn mực cho các nghiên cứu sinh, học viên cao học chuyên ngành Tài chính - Ngân hàng và Khoa học Dữ liệu tài chính; mở ra hướng nghiên cứu ứng dụng Machine Learning trong quản trị rủi ro tín dụng tại Việt Nam.
• Tác động ngành và Chuyển đổi số: Cung cấp cho Ngân hàng Hợp tác xã Việt Nam và hệ thống các QTDND công cụ chấm điểm tín dụng hiện đại, giúp nâng cao chất lượng thẩm định, rút ngắn thời gian phê duyệt khoản vay, giảm tỷ lệ nợ xấu xuống dưới ngưỡng mục tiêu 3%.
• Lợi ích xã hội: Nâng cao khả năng tiếp cận vốn tín dụng chính thức cho các hộ gia đình và cá nhân sản xuất kinh doanh lành mạnh, hạn chế tình trạng tín dụng đen tại khu vực nông nghiệp nông thôn.

Đối tượng hưởng lợi

Hệ thống kết quả nghiên cứu mang lại giá trị định lượng và định hình chiến lược cho 4 nhóm đối tượng trọng yếu:

• Nghiên cứu sinh và Giới học thuật: Tiếp cận khung phương pháp luận kết hợp giữa kinh tế lượng và trí tuệ nhân tạo, cùng bức tranh tổng quan y văn toàn diện về rủi ro vỡ nợ.
• Ban điều hành và Cán bộ Quản trị rủi ro Ngân hàng Hợp tác xã: Sở hữu mô hình xếp hạng tín dụng KHCN hoàn chỉnh kèm bảng phân bổ trọng số tiêu chí (nhân thân, tài chính, quan hệ tín dụng) được kiểm định thực chứng.
• Hệ thống Quỹ Tín dụng Nhân dân: Chuẩn hóa quy trình thẩm định hồ sơ vay vốn, nâng cao năng lực nhận diện rủi ro đạo đức và rủi ro tác nghiệp.
• Cơ quan Quản lý Nhà nước (NHNN, CIC): Có thêm luận cứ thực tiễn để hoạch định chính sách an toàn tín dụng và phát triển hệ thống dữ liệu tín dụng vi mô quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?
   Luận án đã mở rộng Lý thuyết Thông tin bất cân xứng và Lý thuyết Điểm số tín dụng trong bối cảnh đặc thù của hệ thống ngân hàng hợp tác xã tại một quốc gia đang phát triển bằng việc chứng minh thực nghiệm vai trò giảm thiểu xác suất vỡ nợ của các biến số phi tài chính mới: sự tham gia bảo hiểm nhân thọ và mức độ đa dạng hóa nguồn sinh kế của khách hàng cá nhân.

2. Đột phá về mặt phương pháp luận so với các nghiên cứu trước đây thể hiện như thế nào?
   So với các nghiên cứu trước đây tại Việt Nam vốn chỉ dừng lại ở hồi quy Logistic đơn thuần (như Đinh Thị Huyền Thanh & Kleimeier, 2007; Hoàng Thị Kim Diễm, 2012) hoặc phân tích biệt số (Đào Thị Thanh Bình, 2019), luận án đã thiết lập quy trình đối chuẩn đa thuật toán đồng thời giữa Logistic, Probit, ANN và Random Forest trên hai tập dữ liệu độc lập (huấn luyện và kiểm định ngoại mẫu), thiết lập tiêu chuẩn mới về tính chặt chẽ trong nghiên cứu rủi ro tín dụng.

3. Phát hiện bất ngờ nhất từ kết quả phân tích dữ liệu là gì?
   Mô hình Random Forest ghi nhận biến số Đăng ký tham gia bảo hiểm nhân thọ nằm trong nhóm các biến có trọng số quan trọng hàng đầu chi phối khả năng trả nợ đúng hạn, vượt qua cả một số chỉ tiêu tài chính truyền thống như quy mô thu nhập tức thời, cho thấy thái độ quản trị rủi ro chủ động của cá nhân là tín hiệu dự báo tín dụng cực kỳ tin cậy.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) rõ ràng không?
   Quy trình nghiên cứu được mô tả chi tiết từng bước: từ tiêu chí chọn mẫu toàn diện giai đoạn 2014-2019, phương pháp mã hóa biến số, cách phân chia tập kiểm tra, đến cấu hình tham số của mạng Neuron nhân tạo và quy tắc phân nhánh của Rừng ngẫu nhiên, cho phép các nhà nghiên cứu độc lập hoàn toàn có thể tái lập thực nghiệm.

5. Chương trình nghiên cứu 10 năm tới được phác thảo ra sao?
   Nghiên cứu định hướng phát triển hệ thống chấm điểm tín dụng động theo thời gian thực (Real-time Credit Scoring) ứng dụng AI giải thích được (XAI), tích hợp dữ liệu hành vi số và thiết lập khung kiểm tra sức chịu tải vĩ mô cho phân khúc tài chính toàn diện.

Kết luận

Luận án tiến sĩ của NCS. Ngô Tiến Quý đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp cốt lõi:

1. Hệ thống hóa toàn diện cơ sở lý luận về tín dụng cá nhân, rủi ro vỡ nợ và xếp hạng tín dụng trong khu vực ngân hàng hợp tác xã.
2. Xây dựng và kiểm định thành công mô hình các yếu tố tác động đến xác suất vỡ nợ của KHCN với các bằng chứng thực nghiệm vững chắc tại Ngân hàng Hợp tác xã Việt Nam.
3. Xác lập ưu thế vượt trội của các thuật toán học máy (Random Forest và ANN) so với các mô hình kinh tế lượng cổ điển (Logistic và Probit) trong dự báo rủi ro vỡ nợ.
4. Phát hiện các biến số hành vi mới có ý nghĩa quyết định (bảo hiểm nhân thọ, đa dạng hóa thu nhập) làm thay đổi cách thức thẩm định tín dụng truyền thống.
5. Đề xuất trọn bộ giải pháp thực thi, từ khâu thẩm định trước giải ngân, giám sát sau cho vay đến việc thiết kế hệ thống phần mềm chấm điểm tín dụng tự động trực tuyến.

Công trình đánh dấu bước chuyển dịch quan trọng trong tiếp cận học thuật và quản trị thực tiễn, đóng góp thiết thực vào sự phát triển an toàn, bền vững của hệ thống tài chính - ngân hàng Việt Nam trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT CÁC YẾU TỐ ẢNH HƯỞNG TỚI KHẢ NĂNG VỠ NỢ CỦA KHÁCH HÀNG CÁ NHÂN 1. Tổng quan nghiên cứu 1. Các nghiên cứu nước ngoài về các yếu tố ảnh hưởng lên khả năng vỡ nợ của khách hàng Abid & Cộng sự (2018) tiến hành xây dựng so sánh mô hình dự báo khả năng vỡ nợ của khách hàng qua mô hình Logit, mô hình phân tích biệt số để phân biệt giữa các cá nhân có xếp hạng tín dụng tốt và xấu. Dữ liệu đã được thu thập từ một ngân hàng thương mại trong khoảng thời gian 3 năm từ 2010 đến 2012.

Bằng cách so sánh hiệu quả của hồi quy Logistic (LR) và phân tích biệt số (DA), các tác giả thấy rằng mô hình LR mang lại hiệu quả tốt 99% tỷ lệ phân loại trong dự đoán các loại khách hàng, phương pháp DA (trong đó tỷ lệ phân loại tốt chỉ bằng 68,49% dẫn đến tỷ lệ lỗi cao đáng kể tức là 31,51 %) (Abid et al. Kết quả chỉ ra, mô hình Logistic có khả năng dự báo tốt hơn so với mô hình phân tích biệt số DA. Mensah (2013) thực hiện nghiên cứu về khả năng vỡ nợ tín dụng khi vay vốn ở các ngân hàng tại Ghana. Kết quả nghiên cứu thông qua phân tích hồi quy chỉ ra rằng, không có mối quan hệ đáng kể giữa vỡ nợ cho vay và lịch trả nợ.

Thay vào đó, nghiên cứu tìm thấy mối quan hệ đáng kể giữa lãi suất cho các khoản vay, rủi ro đạo đức và vay quá mức của khách hàng. Hơn nữa, các nhân viên cho vay không thể đến thăm người vay thường xuyên, các khoản vay không được hỗ trợ bởi tài sản thế chấp cũng được phát hiện đã góp phần đáng kể vào việc vỡ nợ trong số các khoản vay của khách hàng. Nghiên cứu của Ojiaki & Ogbukwa về khả năng trả nợ các nông dân khi vay vốn tại ngân hàng tại Nigeria. Các tác giả đã sử dụng các biến nghiên cứu liên quan tới đặc điểm riêng của hộ gia đình như: Độ tuổi, giới tính, trình độ học vấn, kinh nghiệm làm việc, quy mô hộ, tình trạng hôn nhân, tham gia công việc khác, thu nhập từ ngoài nông nghiệp, quy mô sử dụng cho nông nghiệp, sử dụng máy móc, số nợ vay, lãi suất cho vay, cải tiến nông nghiệp,… Với 110 hộ nông dân vay vốn của ngân hàng, với phương pháp hồi quy mô hình Logit được sử dụng đã đưa ra kết quả: Chỉ có 3 yếu tố có tác động thực sự lên khả năng trả nợ: (i) Quy mô hộ gia đình có tác động ngược chiều lên khả năng trả nợ; (ii) Quy mô sử dụng đất cho nông nghiệp có tác động cùng chiều lên khả năng trả nợ của người nông dân và (iii) Số tiền vay có tác động cùng chiều lên khả năng trả nợ của hộ dân (Ojiako & Ogbukwa, 2012).

luan an 7 Nghiên cứu tại các nước Đông Nam Á của Dufhues và Cộng sự (2011) về việc trả nợ tín dụng tại hai quốc gia Thái Lan và Việt Nam. Tác giả đã sử dụng các yếu tố về khoản vay của khách hàng như: Dân tộc của chủ hộ (Kinh/Thái), giới tính chủ hộ, tuổi của chủ hộ, thuộc nhóm nghèo hay không, trình độ học vấn chủ hộ, giá trị đầu tư của hộ,…. Với 467 hộ gia đình được khảo sát tại Thái Lan với mô hình Logit được sử dụng đã cho thấy chỉ có hai yếu tố: (i) Trình độ học vấn của chủ hộ và (ii) Giá trị đầu tư của hộ có tác động cùng chiều đến khả năng trả nợ của các hộ gia đình. Các yếu tố khác đều không có ảnh hưởng đến khả năng trả nợ tín dụng của hộ.

Đối với Việt Nam, kết quả nghiên cứu trên 198 hộ được khảo sát đã tìm ra có 2 yếu tố có ảnh hưởng: (i) Khoản vay của hộ (ii) Dân tộc của hộ có tác động cùng chiều lên khả năng trả nợ tín dụng của hộ dân (Dufhues et al. Kết quả nghiên cứu của Kocenda & Vojtek (2011) sử dụng dữ liệu ngân hàng cho vay bán lẻ từ Cộng hòa Séc. Tác giả xây dựng hai mô hình rủi ro tín dụng dựa trên cây hồi quy phân loại và hồi quy Logistic. Nghiên cứu thực hiện trên 3.403 dữ liệu với 21 biến giải thích.

Kết quả 2 mô hình chỉ ra, các đặc điểm tài chính và hành vi quan trọng nhất đối với khả năng vỡ nợ được phát hiện là số lượng tài nguyên mà khách hàng sở hữu, mức độ giáo dục, tình trạng hôn nhân, mục đích của khoản vay, số năm có tài khoản với ngân hàng. Bằng cách này, các tác giả xác nhận tầm quan trọng của các biến số xã hội học và liên kết kết quả của nghiên cứu với các vấn đề cụ thể đặc trưng cho các thành viên mới của EU. Theo nghiên cứu của Peter & Peter (2006) ước tính khả năng vỡ nợ liên quan đến thu nhập và các yếu tố khác với dữ liệu của Úc (Cục Thống kê Úc, ABS 2001) cho một mẫu gồm 3.431 hộ gia đình, tỷ lệ trả được nợ cao hơn đáng kể so với tín dụng tiêu dùng. Kết quả cho thấy rằng độ tuổi của chủ hộ đóng vai trò quan trọng: Các hộ gia đình trẻ có xu hướng bị ảnh hưởng xấu bởi gánh nặng ngày càng tăng của các khoản thanh toán thế chấp.

Thu nhập và các yếu tố nhân khẩu học xã hội cũng có ảnh hưởng: Thu nhập thấp, ít được giáo dục, tuổi đời trẻ và ly hôn là những yếu tố làm tăng khả năng vỡ nợ (V. Trên thế giới đã có nhiều nghiên cứu được thực hiện về việc tìm hiểu và giải thích các yếu tố có ảnh hưởng đến khả năng vỡ nợ của KHCN tại các ngân hàng. Trong số đó, phải kể đến nghiên cứu của Mathews & Slocum (1969). Đây là một trong những nghiên cứu sớm nhất về các yếu tố có tính quyết định đến khả năng vỡ nợ trong tín dụng KHCN tại các ngân hàng.

Nghiên cứu này chỉ ra rằng các chủ thẻ có mức thu nhập thấp, địa vị xã hội thấp hơn có xu hướng sử dụng thẻ tín dụng không hiệu quả và khả năng trả nợ thấp hơn so với những chủ thẻ có thu nhập cao, địa vị xã hội cao hơn (Mathews & Slocum, 1969). luan an 8 Nghiên cứu của Agarwal & Cộng sự (2009) đánh giá ảnh hưởng của các đặc điểm thông tin cá nhân về vốn đến khả năng vỡ nợ của hộ gia đình và kết quả vỡ nợ trên bộ dữ liệu của hơn 170.000 chủ thẻ tín dụng trong thời gian trên 24 tháng. Kết quả cho thấy, các yếu tố rủi ro như chi tiêu, nợ, thu nhập, tài sản, điều kiện kinh tế, môi trường pháp lý, đặc điểm nhân khẩu học xã hội có ảnh hưởng đến khả năng vỡ nợ. Người vay chuyển nơi ở có xu hướng vỡ nợ nhiều hơn, người đã kết hôn và sở hữu một ngôi nhà của riêng mình có nguy cơ vỡ nợ thấp hơn.

Theo độ tuổi, nhóm khách hàng trẻ nhất (30 tuổi trở xuống) và già nhất (60 tuổi trở lên) có nguy cơ phá sản thấp nhất. Thu nhập và tài sản cũng đóng vai trò tương đối quan trọng khi kết quả chỉ ra rằng chủ thẻ với thu nhập cao và nhiều tài sản có khả năng vỡ nợ ít hơn tương ứng là 17% và 22%. Bằng cuộc điều tra hàng tháng ngẫu nhiên qua điện thoại được tiến hành bởi Trung tâm nghiên cứu khảo sát tại Đại học bang Ohio trên mẫu 500 hộ gia đình ở bang này từ tháng 2/1998 đến tháng 5/1999, nghiên cứu của Dunn & Kim (1999) đã tập trung vào mối quan hệ giữa khả năng vỡ nợ và kết quả của sự lựa chọn tài chính của khách hàng trong phạm vi các điều khoản hợp đồng với ngân hàng phát hành thẻ tín dụng. Kết quả cho thấy rằng, các biến nhân khẩu học xã hội như tuổi tác, tình trạng hôn nhân, số con có liên quan mạnh mẽ đến khả năng vỡ nợ trong khi thu nhập, giáo dục và sở hữu nhà không có ảnh hưởng như giả thuyết ban đầu (Dunn & Kim, 1999).

Livingstone & Lunt (1992) báo cáo về những phát hiện của một cuộc khảo sát chuyên sâu về các yếu tố xã hội, kinh tế và tâm lý liên quan đến nợ. Phân tích biệt số và phân tích hồi quy bội được sử dụng để giải quyết mục tiêu nghiên cứu. Các yếu tố xã hội học được tìm thấy có vai trò tương đối nhỏ trong khả năng trả nợ. Thu nhập được dự đoán quan trọng nhất trong việc xác định trả nợ.

Các yếu tố về thái độ (là tín dụng thay vì chống trả nợ) được coi là những yếu tố dự báo quan trọng về trả nợ và không trả nợ. Các yếu tố tâm lý khác, tập trung vào các phân bổ kinh tế, kiểm soát, chiến lược đối phó và niềm vui của người khách hàng là rất quan trọng và một loạt các hoạt động kinh tế cụ thể cũng liên quan đến kinh nghiệm về trả nợ (Livingstone & Lunt, 1992). Ozdemir (2004) thực hiện phân tích mối liên hệ giữa rủi ro vỡ nợ của khách hàng tín dụng tiêu dùng với một số đặc điểm nhân khẩu học và tài chính sử dụng dữ liệu của một ngân hàng ở Thổ Nhĩ Kỳ. Kết quả cho thấy, trừ biến tình trạng nơi ở, các biến nhân khẩu học khác không có ảnh hưởng đến khả năng vỡ nợ của KHCN.

Trong khi đó, các đặc điểm về tài chính có thể giải thích tốt khả năng vỡ nợ, điển hình là biến lãi suất và thời hạn vay. Theo đó, thời hạn vay càng dài và lãi suất càng cao thì khả năng hoàn thành đúng nghĩa vụ thanh toán nợ của khách hàng càng thấp. luan an 9 Nghiên cứu của Arminger & Cộng sự (1997) được thực hiện trên mẫu dữ liệu gồm 8.163 quan sát của một ngân hàng chuyên về tín dụng tiêu dùng ở Đức trong 2 năm 1991 và 1992 bằng cách so sánh kết quả của hai phương pháp trên với kết quả từ hệ thống tiếp cận (feedforward network). Các biến giải thích chính được sử dụng bao gồm: Tuổi, giới tính, tình trạng hôn nhân, thâm niên công tác và sở hữu xe hơi.

Kết quả cho thấy, khả năng trả nợ tốt hơn thuộc về nhóm các đối tượng người trưởng thành, người có ô tô, người có thâm niên công tác, người có gia đình và nữ giới. Jacobson & Roszbach (2003) thực hiện nghiên cứu với trường hợp vay vốn ở các ngân hàng tại Thụy Điển. Với mẫu dữ liệu gồm 13.