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 luận án

Luận án tiến sĩ của Ngô Tiến Quý, bảo vệ năm 2020 tại Trường Đại học Kinh tế Quốc dân, thuộc chuyên ngành Tài chính – Ngân hàng (mã số 9340201), nghiên cứu các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân (KHCN) tại Ngân hàng Hợp tác xã (HTX) Việt Nam. Luận án tiếp cận theo hướng hỗn hợp (kết hợp định tính và định lượng), với trọng tâm là mô hình hóa và so sánh khả năng dự báo vỡ nợ.

Tính cấp thiết và khoảng trống nghiên cứu

Tác giả xuất phát từ thực trạng nợ xấu đang gia tăng trong hệ thống ngân hàng Việt Nam: theo báo cáo tài chính các doanh nghiệp (2020), tỷ lệ nợ xấu của 22 ngân hàng năm 2019 đạt khoảng 78,5 nghìn tỷ đồng, tăng 41% so với năm 2018, trong đó Ngân hàng Tiên Phong tăng 43,39% và Ngân hàng Đại Dương tăng 80,10%. Ngân hàng HTX Việt Nam đặt mục tiêu giảm tỷ lệ nợ xấu xuống dưới 3% vào cuối năm 2020, tạo áp lực cải thiện hệ thống đánh giá rủi ro tín dụng.

Tác giả xác định khoảng trống: chưa có nghiên cứu nào được thực hiện tại Ngân hàng HTX Việt Nam; đồng thời thiếu vắng các nghiên cứu so sánh hệ thống nhiều phương pháp ước lượng hiện đại (Logistic, Probit, ANN, Random Forest) trong bối cảnh nước đang phát triển như Việt Nam.

Mục tiêu nghiên cứu

Luận án xác định năm mục tiêu cụ thể:

1. Hệ thống hóa cơ sở lý thuyết liên quan đến hoạt động tín dụng KHCN tại các tổ chức tín dụng.
2. Tổng hợp, phân tích, đánh giá các nghiên cứu trước để xây dựng mô hình nghiên cứu.
3. Xây dựng mô hình đánh giá các yếu tố ảnh hưởng đến khả năng trả nợ/vỡ nợ của KHCN tại Ngân hàng HTX Việt Nam.
4. Phân tích và so sánh các mô hình ước lượng dự báo khả năng vỡ nợ.
5. Đưa ra giải pháp và khuyến nghị cho các tổ chức liên quan nhằm giảm khả năng vỡ nợ và nâng cao hiệu quả tín dụng KHCN.

Câu hỏi nghiên cứu

Bốn câu hỏi nghiên cứu được đặt ra:

1. Những cơ sở lý thuyết nào về các yếu tố ảnh hưởng đến khả năng vỡ nợ của KHCN tại Ngân hàng HTX Việt Nam?
2. Có sự khác biệt nào về ảnh hưởng của các yếu tố ở các mô hình ước lượng khác nhau lên khả năng vỡ nợ của KHCN?
3. Mô hình dự báo nào có khả năng dự báo tốt nhất với dữ liệu nghiên cứu?
4. Những khuyến nghị nào giúp giảm khả năng vỡ nợ và nâng cao hiệu quả tín dụng KHCN tại Ngân hàng HTX Việt Nam?

Đối tượng và phạm vi nghiên cứu

• Đối tượng: Tác động của các yếu tố ảnh hưởng đến khả năng vỡ nợ của KHCN.
• Phạm vi không gian: Ngân hàng HTX Việt Nam.
• Phạm vi thời gian: Dữ liệu thu thập đến cuối năm 2019; khách hàng có lịch sử vay vốn ngắn hạn, trung hạn và dài hạn từ năm 2014.

---

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu nước ngoài được tác giả điểm lại

Tác giả hệ thống một lượng lớn nghiên cứu quốc tế theo ba nhánh chính:

Nhánh 1 — Các yếu tố nhân khẩu – xã hội học và tài chính ảnh hưởng đến vỡ nợ:

• Mathews & Slocum (1969) — nghiên cứu sớm chỉ ra chủ thẻ thu nhập thấp, địa vị xã hội thấp có khả năng trả nợ thấp hơn.
• Livingstone & Lunt (1992) — phân tích biệt số và hồi quy bội, xác định thu nhập là yếu tố dự báo quan trọng nhất; các yếu tố thái độ cũng có vai trò trong dự báo trả nợ/không trả nợ.
• Dunn & Kim (1999) — tuổi, tình trạng hôn nhân, số con liên quan mạnh đến vỡ nợ; thu nhập và sở hữu nhà không có ảnh hưởng như giả thuyết ban đầu.
• Agarwal & Cộng sự (2009) — bộ dữ liệu hơn 170.000 chủ thẻ tín dụng trong 24 tháng; chủ thẻ thu nhập cao và nhiều tài sản có khả năng vỡ nợ ít hơn tương ứng 17% và 22%.
• Ojiako & Ogbukwa (2012) — 110 hộ nông dân tại Nigeria, mô hình Logit; chỉ có ba yếu tố có tác động thực sự: quy mô hộ (ngược chiều), quy mô đất nông nghiệp (cùng chiều), số tiền vay (cùng chiều).
• Dufhues & Cộng sự (2011) — Thái Lan (467 hộ) và Việt Nam (198 hộ); tại Thái Lan chỉ trình độ học vấn và giá trị đầu tư có ý nghĩa; tại Việt Nam chỉ khoản vay của hộ và dân tộc có tác động.
• Mensah (2013) — Ghana; lãi suất, rủi ro đạo đức và vay quá mức có quan hệ đáng kể với vỡ nợ.
• Ozdemir (2004) — Thổ Nhĩ Kỳ; đặc điểm tài chính (lãi suất, thời hạn vay) giải thích tốt vỡ nợ; biến nhân khẩu học không có ý nghĩa ngoại trừ tình trạng nơi ở.
• Jacobson & Roszbach (2003) — Thụy Điển, 13.338 hồ sơ, 57 biến ban đầu, còn lại 16 biến; tuổi, thu nhập, thay đổi thu nhập hàng năm và điều kiện tín dụng miễn thế chấp có tác động đáng kể.
• Kocenda & Vojtek (2011) — Cộng hòa Séc, 3.403 quan sát, 21 biến; tài nguyên khách hàng sở hữu, học vấn, tình trạng hôn nhân, mục đích vay, số năm có tài khoản ngân hàng là yếu tố quan trọng nhất.
• Peter & Peter (2006) — Úc, 3.431 hộ; độ tuổi chủ hộ đóng vai trò quan trọng, hộ trẻ chịu tác động tiêu cực của gánh nặng thế chấp ngày càng tăng.
• Arminger & Cộng sự (1997) — Đức, 8.163 quan sát; khả năng trả nợ tốt hơn thuộc về người trưởng thành, có ô tô, có thâm niên công tác, có gia đình và nữ giới.

Nhánh 2 — So sánh mô hình dự báo (cây phân loại, ANN, Random Forest):

• Khemakhem & Boujelbene (2015) — 86 công ty tài chính Tunisia (2005–2007); ANN chính xác hơn phân tích biệt số trong dự đoán.
• Bennell & Cộng sự (2006) — dữ liệu cơ quan xếp hạng 1989–1999; ANN vượt trội Probit trong hiệu chỉnh và dự đoán xếp hạng tín dụng.
• Pacelli & Azzollini (2011) — Italia; ANN hỗ trợ tốt hơn mô hình truyền thống nhưng khuyến nghị kết hợp với Logistic/Probit.
• Finch & Schneider (2007) — ANN hoạt động tương tự phân tích biệt số tuyến tính và hồi quy Logistic.
• Booth & Cộng sự (2014) — Random Forest có kết quả vượt trội về lợi nhuận và độ chính xác so với các kỹ thuật khác.
• Kvamme & Cộng sự (2018) — ROC AUC của Random Forest (0,926) cao hơn ANN (0,918) trong dự đoán vỡ nợ thế chấp.
• Zhang (2011) — ANN mạng BP có độ chính xác dự đoán cao tại các ngân hàng thương mại ở Trung Quốc.
• Abid & Cộng sự (2018) — Logistic đạt 99% tỷ lệ phân loại; phân tích biệt số DA chỉ đạt 68,49%.

Các nghiên cứu trong nước được điểm lại

• Đinh Thị Huyền Thanh & Kleimeier (2007) — 56.037 quan sát, hồi quy Logistic; 16 biến có ý nghĩa, trong đó thâm niên giao dịch ngân hàng, giới tính, số khoản vay và thời hạn vay có ảnh hưởng lớn.
• Phạm Thị Thu Trà & Robert Lensink (2008) — dữ liệu hộ gia đình Việt Nam; người cho vay phi chính thức chịu nguy cơ vỡ nợ cao hơn; vay người thân làm giảm tỷ lệ vỡ nợ.
• Nguyễn Quốc Nghi (2013) — 202 hộ nông nghiệp, Probit; thu nhập hàng tháng, học vấn chủ hộ, thời gian tiếp xúc ngân hàng, thông tin thị trường, mục đích vay có ý nghĩa.
• Hoàng Thị Kim Diễm (2012) — 137 KHCN, Logit; giới tính, thuê nhà, hôn nhân, thời gian cư trú, tiết kiệm hàng tháng có tác động ngược chiều đến khả năng trả nợ.
• Lê Văn Triết (2010) — thống kê mô tả KHCN nợ xấu tại Ngân hàng Á Châu; độ tuổi trung bình khách hàng không trả được nợ là 35.
• Đào Thị Thanh Bình (2019) — phân tích biệt số với 5 biến; độ chính xác 89,4%; số người phụ thuộc và tài khoản đóng góp nhiều nhất.
• Đường Thị Thanh Hải (2014) — tín dụng cá nhân tại hệ thống NHTM Việt Nam; xác định ba nhóm yếu tố ảnh hưởng từ phía ngân hàng, khách hàng và môi trường bên ngoài.

Khoảng trống luận án giải quyết

Chưa có nghiên cứu nào tại Ngân hàng HTX Việt Nam; thiếu nghiên cứu so sánh đồng thời bốn phương pháp Logistic, Probit, ANN và Random Forest để tìm mô hình tối ưu cho bối cảnh cụ thể này.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Lý thuyết và khung phân tích

Luận án sử dụng các khung lý thuyết về: tín dụng ngân hàng và tín dụng KHCN (Hồ Diệu, 2011; Nguyễn Minh Tiến, 2012; Nguyễn Đăng Đờn, 2013); lý thuyết xếp hạng tín dụng với hệ thống xếp hạng Moody's/S&P/Fitch; các mô hình chấm điểm thực tiễn gồm FICO, Credit Sesame, VantageScore và mô hình Kleimeier; rủi ro tín dụng hệ thống (Giesecke & Kim, 2011; Allen & Saunders, 2002). Nhóm yếu tố tác động đến vỡ nợ được phân loại thành bốn nhóm: thông tin cá nhân, điều kiện sống, tài chính và hành vi của khách hàng.

Phương pháp định lượng

Nghiên cứu sử dụng bốn mô hình phân tích và dự báo:

Mô hình	Ký hiệu	Mục đích
Hồi quy Logistic	LR	Phân tích yếu tố ảnh hưởng, dự báo vỡ nợ
Hồi quy Probit	Probit	So sánh với mô hình Logistic
Mạng Neuron thần kinh nhân tạo	ANN	Dự báo phi tuyến tính
Rừng ngẫu nhiên	Random Forest	Phân loại và đo mức độ quan trọng biến

Mẫu nghiên cứu được tách thành hai phần: một mẫu dùng để ước lượng hệ số mô hình; một mẫu dùng để kiểm tra khả năng dự báo ngoài mẫu. Kỹ thuật thống kê mô tả được dùng để phân tích đặc điểm mẫu; phân tích tương quan được thực hiện trước khi chạy hồi quy.

Phương pháp định tính

Phỏng vấn chuyên gia được thực hiện ở hai giai đoạn: (i) trước khi xây dựng mô hình, nhằm đánh giá các yếu tố ảnh hưởng đến khả năng cho vay; (ii) sau khi có kết quả định lượng, nhằm giải thích kết quả và thu thập khuyến nghị về thẩm định hồ sơ và hỗ trợ khách hàng.

Nguồn dữ liệu

Dữ liệu được thu thập trực tiếp từ hồ sơ vay vốn của KHCN tại Ngân hàng HTX Việt Nam, bao gồm các khoản vay ngắn hạn, trung hạn và dài hạn từ năm 2014 đến cuối năm 2019. Thông tin định danh khách hàng (họ tên, số điện thoại, địa chỉ) được bảo mật và chỉ phục vụ mục đích nghiên cứu.

---

Nội dung chính theo từng chương

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

Chương này thực hiện ba nhiệm vụ đồng thời. Thứ nhất, tác giả hệ thống 22 công trình nghiên cứu quốc tế và trong nước về vỡ nợ KHCN trong một bảng tổng hợp theo cấu trúc: tác giả, tên đề tài, phương pháp sử dụng, kết quả chính. Thứ hai, chương xây dựng nền tảng lý thuyết về tín dụng ngân hàng căn cứ theo Điều 20, Luật các tổ chức tín dụng năm 2010; phân loại tín dụng theo sáu tiêu thức (thời gian, mục đích, phương thức hoàn trả, mức độ đảm bảo, đối tượng, xuất xứ). Thứ ba, chương trình bày hệ thống xếp hạng tín dụng đang được ứng dụng thực tiễn, bao gồm mô hình FICO (với 5 tiêu chí, phạm vi điểm 300–850), mô hình Credit Sesame (phạm vi 360–840, lần đầu dùng năm 2011), mô hình VantageScore (phạm vi 501–990, năm mức từ A đến F do Equifax, Experian và TransUnion xây dựng) và hệ thống xếp hạng KHCN của BIDV (gồm 10 chỉ tiêu phần nhân thân và 4 chỉ tiêu phần quan hệ ngân hàng, với 10 mức từ AAA đến D).

Bốn nhóm yếu tố ảnh hưởng đến khả năng vỡ nợ được xác định: (1) thông tin cá nhân (tuổi, giới tính, học vấn, nghề nghiệp); (2) điều kiện sống (tình trạng hôn nhân, nơi cư trú, số người phụ thuộc); (3) tài chính (thu nhập, tài sản đảm bảo, lịch sử tín dụng); (4) hành vi (thói quen tài chính, mục đích vay).

Chương 2: Phương pháp nghiên cứu

Chương mô tả quy trình nghiên cứu năm bước: xác định mục tiêu → xây dựng cơ sở lý thuyết → xây dựng mô hình → phân tích dữ liệu → hoàn thiện báo cáo. Biến phụ thuộc là khả năng vỡ nợ (nhị phân: trả được nợ/không trả được nợ). Các biến độc lập trong mô hình được xây dựng từ bốn nhóm yếu tố đã xác định ở Chương 1 và được kiểm định qua các giả thuyết nghiên cứu.

Về thiết kế mẫu: tác giả sử dụng hai mẫu tách biệt — một mẫu huấn luyện để ước lượng hệ số; một mẫu thử để kiểm tra ngoài mẫu. Phương pháp phân tích dữ liệu gồm thống kê mô tả, phân tích tương quan, và bốn mô hình phân tích/dự báo. Chương 2 cũng mô tả kỹ thuật vận hành của mô hình ANN và Random Forest: ANN sử dụng kiến trúc feedforward với các trọng số được ước lượng qua quá trình lan truyền ngược; Random Forest xây dựng nhiều cây phân loại và đo mức độ quan trọng của từng biến qua chỉ số trọng số tổng hợp.

Chương 3: Kết quả nghiên cứu

Phần đầu chương giới thiệu tổng quan về Ngân hàng HTX Việt Nam, bao gồm cơ cấu nguồn vốn và vốn chủ sở hữu năm 2017, cơ cấu nguồn vốn huy động và vốn vay năm 2017, tình hình sử dụng vốn giai đoạn 2016–2017, và kết quả hoạt động kinh doanh năm 2017.

Phần phân tích mẫu trình bày thống kê mô tả theo các biến: giới tính, tình trạng hôn nhân, vị trí công việc, kỳ hạn trả nợ, đăng ký bảo hiểm nhân thọ, đa dạng hóa công việc và tài sản đảm bảo.

Kết quả bốn mô hình ước lượng được trình bày trong các bảng riêng biệt:

• Logistic: bảng kết quả hồi quy xác định các hệ số có ý nghĩa thống kê; bảng kết quả dự báo trên mẫu huấn luyện; bảng kết quả dự báo trên mẫu thử.
• Probit: bảng kết quả ước lượng và bảng kết quả dự báo riêng.
• ANN: bảng kết quả mô phỏng và bảng kết quả dự báo; hình minh họa kiến trúc mạng và kết quả đầu ra.
• Random Forest: bảng trọng số mô hình; bảng mức độ dự báo trên mẫu huấn luyện; bảng mức độ dự báo trên mẫu kiểm tra; hình thể hiện mức độ quan trọng của từng biến.

Phần so sánh các mô hình được trình bày bằng hình so sánh mức độ dự báo của tất cả bốn mô hình. Phần phỏng vấn chuyên gia (sau kết quả định lượng) được tổng hợp trong ba bảng: nguyên nhân rủi ro tín dụng KHCN, giải pháp hạn chế rủi ro, và giải pháp cụ thể từ chuyên gia.

Chương 4: Giải pháp và khuyến nghị

Chương đề xuất hệ thống giải pháp theo bốn hướng: (1) hạn chế rủi ro trong quá trình chuẩn bị hồ sơ; (2) giám sát hoạt động sau cho vay; (3) cải thiện hệ thống chấm điểm tín dụng định kỳ; (4) hoàn thiện hệ thống chấm điểm tín dụng trực tuyến. Dựa trên kết quả nghiên cứu, tác giả xây dựng bộ tiêu chí chấm điểm tín dụng KHCN gợi ý cho Ngân hàng HTX (bảng tiêu chí và bảng ký hiệu xếp hạng) cùng cơ chế ra quyết định cho vay/không cho vay. Khuyến nghị được phân loại theo ba đối tượng: Ngân hàng HTX Việt Nam, Ngân hàng Nhà nước, và Trung tâm thông tin tín dụng (CIC). Chương kết thúc bằng phần hạn chế đề tài và hướng nghiên cứu tiếp theo.

---

Kết quả và những đóng góp mới

Đóng góp về khoa học

Luận án xác định và so sánh bốn mô hình ước lượng và dự báo vỡ nợ — Logistic, Probit, ANN và Random Forest — trong cùng một bộ dữ liệu tại Ngân hàng HTX Việt Nam. Đây là cơ sở để tác giả xác định mô hình dự báo tối ưu cho môi trường nghiên cứu cụ thể. Luận án cũng hệ thống hóa khung lý thuyết về tín dụng KHCN và xếp hạng tín dụng, tích hợp cả các mô hình quốc tế (FICO, VantageScore, mô hình Kleimeier) và thực tiễn trong nước (BIDV).

Đóng góp về thực tiễn

Luận án xây dựng mô hình chấm điểm tín dụng KHCN gợi ý cụ thể cho Ngân hàng HTX Việt Nam, bao gồm bộ tiêu chí và hệ thống ký hiệu xếp hạng. Kết quả nghiên cứu có thể được các ngân hàng và tổ chức tín dụng khác tham khảo trong thẩm định hồ sơ cho vay KHCN.

Kiến nghị và giải pháp đề xuất

Đối với Ngân hàng HTX: hoàn thiện quy trình thẩm định hồ sơ, tăng cường giám sát sau cho vay, áp dụng hệ thống chấm điểm định kỳ và trực tuyến dựa trên kết quả mô hình. Đối với Ngân hàng Nhà nước: ban hành quy định hỗ trợ cải thiện chất lượng tín dụng KHCN. Đối với CIC: nâng cao chất lượng và độ bao phủ của cơ sở dữ liệu thông tin tín dụng quốc gia.

---

Hạn chế và hướng nghiên cứu tiếp

Luận án tự nêu phần hạn chế và hướng nghiên cứu tiếp tại mục cuối Chương 4 (trang 103). Tuy nhiên, văn bản không trình bày chi tiết nội dung cụ thể của phần này.

Từ phạm vi nghiên cứu có thể xác định một số giới hạn tự nhiên: dữ liệu chỉ thu thập tại một ngân hàng (Ngân hàng HTX Việt Nam), hạn chế khả năng tổng quát hóa kết quả sang các loại hình ngân hàng khác; phạm vi thời gian kết thúc ở cuối năm 2019, chưa phản ánh biến động sau giai đoạn đó; phần phỏng vấn chuyên gia phụ thuộc vào quan điểm chủ quan của người được phỏng vấn.

---

Giá trị tham khảo

Luận án phù hợp cho các nhóm đối tượng sau:

• Cán bộ tín dụng và quản lý rủi ro tại các NHTM và tổ chức tín dụng: Phần xây dựng mô hình chấm điểm tín dụng KHCN gợi ý cho Ngân hàng HTX (Chương 4) và bảng tiêu chí chấm điểm có giá trị tham khảo trực tiếp cho công tác thẩm định.
• Nhà hoạch định chính sách tại Ngân hàng Nhà nước và CIC: Phần khuyến nghị chính sách về cải thiện khung pháp lý và cơ sở dữ liệu tín dụng.
• Nghiên cứu sinh và giảng viên ngành Tài chính – Ngân hàng: Bảng tổng hợp 22 nghiên cứu trong và ngoài nước (Bảng 1, Chương 1) là tài liệu tham khảo hữu ích về lịch sử nghiên cứu vỡ nợ KHCN; phần so sánh bốn mô hình dự báo cung cấp cơ sở phương pháp luận cho các nghiên cứu tương tự.
• Người nghiên cứu về ứng dụng machine learning trong tài chính: Phần trình bày và so sánh ANN và Random Forest với các mô hình kinh tế lượng truyền thống (Logistic, Probit) trong bối cảnh ngân hàng tại nước đang phát triển.

---

Câu hỏi thường gặp

1. Luận án sử dụng dữ liệu trong khoảng thời gian nào và quy mô mẫu như thế nào?

Dữ liệu được thu thập từ hồ sơ vay vốn KHCN tại Ngân hàng HTX Việt Nam, bao gồm các khoản vay ngắn hạn, trung hạn và dài hạn từ năm 2014; lịch sử tín dụng đến thời điểm đáo hạn được hoàn tất vào cuối năm 2019. Mẫu được tách thành hai phần (mẫu huấn luyện và mẫu thử). Văn bản không ghi cụ thể tổng số quan sát trong mẫu nghiên cứu.

2. Trong bốn mô hình được so sánh, mô hình nào có kết quả dự báo tốt nhất theo luận án?

Luận án thực hiện so sánh trực tiếp bốn mô hình (Logistic, Probit, ANN, Random Forest) qua hình so sánh mức độ dự báo (trang 88). Kết quả so sánh cụ thể được thể hiện qua các bảng mức độ dự báo của từng mô hình trên cả mẫu huấn luyện và mẫu thử. Văn bản không trích dẫn con số tỷ lệ dự báo chính xác cụ thể của từng mô hình trong phần tóm tắt đại cương — kết quả chi tiết nằm tại Chương 3.

3. Mô hình FICO và VantageScore được tác giả trình bày với những tiêu chí và tỷ trọng nào?

Mô hình FICO gồm 5 tiêu chí: lịch sử trả nợ (35%), dư nợ tại các tổ chức tín dụng (30%), độ dài lịch sử tín dụng (15%), số lần vay nợ mới (10%) và các loại hình tín dụng đang sử dụng (10%). Phạm vi điểm từ 300 đến 850. Mô hình VantageScore gồm 6 tiêu chí: lịch sử thanh toán (32%), tình trạng sử dụng tín dụng (23%), tình trạng số dư có (15%), độ sâu tín dụng (13%), tình trạng tín dụng gần đây (10%) và mức tín dụng sẵn có (7%), phạm vi điểm 501–990 với năm mức xếp hạng từ A đến F.

4. Hệ thống xếp hạng tín dụng KHCN tại BIDV được cấu trúc như thế nào và áp dụng tỷ trọng ra sao?

Hệ thống BIDV gồm hai phần: Phần I — Thông tin về nhân thân (10 chỉ tiêu, mỗi chỉ tiêu tỷ trọng 10%) gồm độ tuổi, trình độ học vấn, tiền án/tiền sự, tình trạng cư trú, số người phụ thuộc, cơ cấu gia đình, bảo hiểm nhân thọ, tính chất công việc, thời gian công tác, rủi ro nghề nghiệp; Phần II — Quan hệ với ngân hàng (4 chỉ tiêu) gồm thu nhập ròng hàng tháng (30%), tỷ lệ tiền phải trả/thu nhập (30%), tình hình trả nợ (25%), dịch vụ sử dụng (15%). Điểm tổng hợp được quy về 10 mức xếp hạng từ AAA (95–100 điểm, rủi ro thấp) đến D (dưới 35 điểm).

5. Phỏng vấn chuyên gia trong luận án được thực hiện ở những giai đoạn nào và mục đích là gì?

Phỏng vấn chuyên gia được thực hiện ở hai giai đoạn. Giai đoạn đầu diễn ra trước khi chạy mô hình định lượng, nhằm đánh giá tiền mô hình về các yếu tố ảnh hưởng đến khả năng cho vay tại Ngân hàng HTX Việt Nam. Giai đoạn hai diễn ra sau khi có kết quả định lượng, nhằm giải thích kết quả nghiên cứu và thu thập khuyến nghị thực tiễn về thẩm định hồ sơ và hỗ trợ khách hàng trong quá trình vay vốn. Kết quả phỏng vấn được tổng hợp trong ba bảng tại Chương 3 (trang 88 trở đi).

---

Kết luận

Luận án của Ngô Tiến Quý (2020) là nghiên cứu định lượng – định tính về rủi ro tín dụng KHCN tại Ngân hàng HTX Việt Nam, với đóng góp chính là so sánh hệ thống bốn phương pháp ước lượng và dự báo vỡ nợ (Logistic, Probit, ANN, Random Forest) trên cùng một bộ dữ liệu thực tế. Luận án kế thừa một hệ thống tài liệu quốc tế và trong nước rộng, đồng thời lấp một khoảng trống cụ thể khi chưa có nghiên cứu nào được thực hiện tại Ngân hàng HTX Việt Nam. Kết quả nghiên cứu được ứng dụng trực tiếp vào việc đề xuất bộ tiêu chí chấm điểm tín dụng KHCN cho ngân hàng này, với các khuyến nghị chính sách gửi đến Ngân hàng Nhà nước và CIC. Phạm vi nghiên cứu giới hạn trong một ngân hàng và khoảng thời gian đến cuối năm 2019 là điểm cần lưu ý khi tham khảo kết quả.

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.