Giới thiệu dự án

Thị trường bất động sản và tín dụng bán lẻ tại Việt Nam trong giai đoạn 2021–2024 trải qua nhiều biến động phức tạp dưới tác động của suy thoái kinh tế toàn cầu, biến động tỷ giá và sự phục hồi sau đại dịch COVID-19. Tại khu vực Đồng bằng sông Cửu Long nói chung và địa bàn huyện Cao Lãnh, tỉnh Đồng Tháp nói riêng, nhu cầu an cư của người dân ngày càng gia tăng. Với quy mô dân số cả nước đạt xấp xỉ 100 triệu người (trong đó nhóm khách hàng trẻ chiếm tỷ trọng cao), phân khúc cho vay mua nhà ở dành cho khách hàng cá nhân (KHCN) trở thành động lực tăng trưởng cốt lõi của hệ thống ngân hàng thương mại (NHTM). Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam (Agribank) hiện nắm giữ khoảng 12%–13% thị phần tín dụng toàn ngành, đạt lợi nhuận trước thuế gần 26.000 tỷ đồng vào năm 2023. Tuy nhiên, sự cạnh tranh gay gắt từ các NHTM cổ phần đòi hỏi các chi nhánh địa phương phải tối ưu hóa năng lực cạnh tranh tín dụng tiêu dùng.

+-------------------------------------------------------------------------------+
|                    BỐI CẢNH & ĐỘNG LỰC TÍN DỤNG BÁN LẺ                        |
|                                                                               |
|  [Thị trường BĐS & Biến động vĩ mô] ---> [Nhu cầu nhà ở của KHCN Trẻ (<30t)]  |
|                                                     |                         |
|                                                     v                         |
|  [Cạnh tranh gay gắt giữa NHTM] <---> [Tăng trưởng tín dụng Agribank Cao Lãnh]|
|                                       (2021: 9% -> 2022: 12% -> 2023: 7%)     |
+-------------------------------------------------------------------------------+

Vấn đề thực tiễn đặt ra tại Agribank – Chi nhánh Huyện Cao Lãnh là tốc độ tăng trưởng dư nợ cho vay mua nhà ở có xu hướng chậm lại: năm 2021 đạt 270 tỷ đồng (tăng 9%), năm 2022 tăng lên 384 tỷ đồng (tăng 12%), nhưng đến năm 2023 chỉ đạt 245 tỷ đồng (tăng 7%), trên tổng quy mô dư nợ 3.500 tỷ đồng. Nguyên nhân cốt lõi xuất phát từ các điểm nghẽn trong chính sách lãi suất, quy trình thẩm định kéo dài, thủ tục chứng minh tài chính chưa linh hoạt đối với nhóm khách hàng trẻ có thu nhập dưới 10 triệu đồng/tháng (chiếm 61,6% mẫu khảo sát).

Mục tiêu cụ thể của dự án nghiên cứu bao gồm:

  1. Xác định hệ thống các nhân tố tác động đến quyết định vay vốn mua nhà ở của KHCN tại địa bàn nghiên cứu.
  2. Đo lường và kiểm định mức độ tác động của từng nhóm nhân tố thông qua mô hình định lượng chuẩn tắc.
  3. Đề xuất hệ thống giải pháp và hàm ý quản trị giúp ban lãnh đạo Agribank – CN Huyện Cao Lãnh gia tăng thị phần tín dụng bán lẻ, duy trì tỷ lệ nợ xấu dưới 0,05%.

Nghiên cứu tiếp cận thông qua việc kết hợp lý thuyết hành vi người tiêu dùng của Kotler (2017), mô hình lựa chọn ngân hàng của Herstein & Zviling (2010) và nghiên cứu thực nghiệm của Đào Lê Kiều Oanh cùng cộng sự (2021). Phương pháp phân tích định lượng dựa trên cỡ mẫu $N = 203$ khách hàng thực tế, xử lý qua thang đo Likert 5 điểm và mô hình hồi quy tuyến tính bội OLS (Ordinary Least Squares). Phạm vi nghiên cứu tập trung vào khách hàng cá nhân vay vốn mua nhà tại huyện Cao Lãnh, tỉnh Đồng Tháp trong giai đoạn từ tháng 01/2022 đến tháng 07/2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Thực trạng cấp tín dụng mua nhà ở tại các NHTM truyền thống thường tập trung vào quản trị rủi ro tài sản bảo đảm hơn là tối ưu hóa hành vi và trải nghiệm của khách hàng vay vốn. Bảng so sánh dưới đây phân tích ưu và nhược điểm của các mô hình tiếp cận tín dụng hiện nay:

Tiêu chí Mô hình tín dụng truyền thống Mô hình bán lẻ hiện đại (Agribank Cao Lãnh) Mô hình số hóa của NHTM Cổ phần
Thẩm định hồ sơ Thủ công, dựa nặng vào tài sản thế chấp Kết hợp định giá tài sản và lịch sử tín dụng CIC Tự động hóa qua chấm điểm tín dụng số (Credit Scoring)
Thời gian giải ngân Kéo dài từ 7–14 ngày làm việc Rút ngắn từ 3–5 ngày làm việc 24–48 giờ đối với hồ sơ chuẩn hóa
Tính linh hoạt trả nợ Niêm yết cố định gốc + lãi hàng tháng Linh hoạt theo kỳ hạn mùa vụ/thu nhập cá nhân Đa dạng gói trả nợ qua ứng dụng ngân hàng số
Ưu điểm Rủi ro nợ xấu rất thấp ($< 0,05%$) Mạng lưới chi nhánh sâu rộng, thương hiệu uy tín Trải nghiệm người dùng vượt trội, tốc độ cao
Nhược điểm Thủ tục rườm rà, thiếu tính cạnh tranh Quy trình số hóa một số khâu còn chậm Chi phí vốn và lãi suất biên (NIM) thường cao hơn

Phân tích nhu cầu khách hàng theo khung phân loại MoSCoW:

  • Must-have (Bắt buộc): Lãi suất vay minh bạch, tính bảo mật thông tin hồ sơ (CL4), định giá tài sản chính xác, hợp đồng tuân thủ Luật Các tổ chức tín dụng số 32/2024/QH15.
  • Should-have (Nên có): Thời gian phê duyệt và giải ngân nhanh chóng (GD3), đội ngũ tín dụng tư vấn phương án tài chính tối ưu (PV3, PV5).
  • Could-have (Có thể có): Các chương trình ưu đãi lãi suất cố định dài hạn (LS4), dịch vụ chăm sóc và hậu mãi định kỳ (CL6).
  • Won't-have (Chưa ưu tiên): Vay thế chấp 100% không thẩm định thực địa tại địa bàn nông thôn.

Khoảng trống nghiên cứu (Gap Analysis) chỉ ra rằng hầu hết các mô hình trước đây chỉ tập trung vào các đô thị lớn (Hà Nội, TP.HCM) mà bỏ qua đặc thù tín dụng tiêu dùng tại các huyện nông nghiệp - nông thôn đang đô thị hóa, nơi thu nhập của khách hàng chủ yếu dưới 20 triệu đồng/tháng và phụ thuộc vào kinh tế tư nhân, hộ gia đình.

+---------------------------------------------------------------------------------------+
|                               KHUNG PHÂN TÍCH MOSCOW                                  |
|                                                                                       |
|  [MUST-HAVE]      --> Lãi suất minh bạch | Bảo mật hồ sơ (CL4) | Tuân thủ Luật TCTD  |
|  [SHOULD-HAVE]    --> Giải ngân nhanh (GD3) | Tư vấn phương án tối ưu (PV3, PV5)     |
|  [COULD-HAVE]     --> Ưu đãi lãi suất dài hạn (LS4) | Hậu mãi khách hàng (CL6)        |
|  [WON'T-HAVE]     --> Cấp tín dụng mua nhà không qua thẩm định thực địa              |
+---------------------------------------------------------------------------------------+

Thiết kế hệ thống

Mô hình nghiên cứu định lượng được cấu trúc dưới dạng sơ đồ tương quan giữa 6 biến độc lập và 1 biến phụ thuộc:

+------------------------------------+
|  Chất lượng dịch vụ (CL)           |---+
+------------------------------------+   |
|  Thời gian giao dịch (TG)          |---|
+------------------------------------+   |
|  Thương hiệu & Hình ảnh (TH)       |---|
+------------------------------------+   +--> [ Quyết định vay vốn mua nhà (QD) ]
|  Chi phí & Lãi suất vay (LS)       |---|
+------------------------------------+   |
|  Thời hạn vay & Trả nợ (TGV)       |---|
+------------------------------------+   |
|  Khả năng phục vụ (PV)             |---+
+------------------------------------+

Phương trình hồi quy tổng quát: $$QD = \beta_0 + \beta_1 CL + \beta_2 TG + \beta_3 TH + \beta_4 LS + \beta_5 TGV + \beta_6 PV + \epsilon$$

Thông số kỹ thuật của hệ thống xử lý và phân tích:

  • Nền tảng phần mềm: IBM SPSS Statistics phiên bản 22.0, hỗ trợ script Python 3.10 xử lý ma trận dữ liệu.
  • Cấu trúc bộ dữ liệu: Gồm 32 biến quan sát ban đầu, chuẩn hóa theo thang đo Likert 5 bậc:
    • Giá trị $1$: Hoàn toàn không đồng ý.
    • Giá trị $2$: Không đồng ý.
    • Giá trị $3$: Trung lập.
    • Giá trị $4$: Đồng ý.
    • Giá trị $5$: Hoàn toàn đồng ý.
  • Tiêu chuẩn kiểm định thống kê: Hệ số tin cậy Cronbach's Alpha $\ge 0,60$; Hệ số tương quan biến - tổng (Corrected Item-Total Correlation) $\ge 0,30$; Hệ số tải nhân tố (Factor Loading) $\ge 0,50$; Hệ số KMO trong khoảng $[0,5; 1,0]$; Kiểm định Bartlett có $p\text{-value} < 0,05$; Hệ số phóng đại phương sai $\text{VIF} < 10$; Hệ số Durbin-Watson trong khoảng $(1,0; 3,0)$.

Methodology

Quy trình nghiên cứu áp dụng phương pháp kết hợp (Mixed Methods Approach) qua hai giai đoạn:

  1. Nghiên cứu định tính: Thực hiện phỏng vấn sâu với 5 chuyên gia lãnh đạo phòng tín dụng và quản lý khách hàng tại Agribank – CN Huyện Cao Lãnh nhằm hiệu chỉnh các thang đo lý thuyết phù hợp với thực tế giao dịch tại địa phương.
  2. Nghiên cứu định lượng: Khảo sát diện rộng thông qua phát bảng hỏi trực tiếp và biểu mẫu trực tuyến từ tháng 04/2024 đến tháng 07/2024.
+-------------------------------------------------------------------------------+
|                            QUY TRÌNH NGHIÊN CỨU                               |
|                                                                               |
|  [Cơ sở lý thuyết] ---> [Nghiên cứu định tính] ---> [Bảng câu hỏi sơ bộ]      |
|                                                            |                  |
|                                                            v                  |
|  [Dữ liệu sạch N=203] <-- [Thu thập mẫu N=210] <--- [Thảo luận chuyên gia]    |
|         |                                                                     |
|         v                                                                     |
|  [Cronbach's Alpha] -> [Phân tích EFA] -> [Hồi quy OLS] -> [Hàm ý quản trị]   |
+-------------------------------------------------------------------------------+

Quy mô mẫu theo quy tắc Hair et al. (2014): Tối thiểu gấp 5 lần tổng số biến quan sát ($5 \times 32 = 160$ mẫu). Thực tế thu về 210 mẫu, sau sàng lọc loại bỏ 7 mẫu không hợp lệ, còn lại $N = 203$ quan sát hợp lệ (đạt 126,8% yêu cầu tối thiểu).

Implementation và kết quả

Development process

Quá trình thu thập và tiền xử lý dữ liệu được tiến hành qua các công đoạn chuẩn hóa ma trận dữ liệu khảo sát. Dưới đây là đoạn mã Python chuẩn hóa xử lý kiểm định độ tin cậy và hồi quy đa biến tương đương với thuật toán của SPSS:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from factor_analyzer import FactorAnalyzer

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số tin cậy Cronbach's Alpha cho tập biến quan sát."""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    alpha = (k / (k - 1)) * (1 - (item_vars.sum() / total_var))
    return float(alpha)

def run_regression_pipeline(X: pd.DataFrame, y: pd.Series):
    """Thực thi mô hình hồi quy tuyến tính OLS và kiểm tra đa cộng tuyến (VIF)."""
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    # Tính toán VIF cho từng biến độc lập
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X.columns
    vif_data["VIF"] = [
        1.0 / (1.0 - sm.OLS(X[col], sm.add_constant(X.drop(columns=[col]))).fit().rsquared)
        for col in X.columns
    ]
    return model.summary(), vif_data

Testing và validation

Kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Kết quả kiểm tra sơ bộ cho thấy hầu hết các thang đo đều có hệ số $\alpha > 0,60$. Tuy nhiên, hai biến quan sát có hệ số tương quan biến - tổng không đạt yêu cầu ($< 0,30$):

  • Biến TH5 thuộc thang đo Thương hiệu có hệ số tương quan biến - tổng bằng $0,315 \approx 0,30$.
  • Biến PV1 (ngân hàng gần nơi ở) thuộc thang đo Khả năng phục vụ có hệ số tương quan biến - tổng chỉ đạt $0,192$.

Sau khi loại bỏ TH5 và PV1, tiến hành tái kiểm định cho thấy độ tin cậy được cải thiện vượt bậc:

Thang đo nhân tố Số lượng biến ban đầu Alpha ban đầu Biến bị loại Số lượng biến còn lại Alpha sau hiệu chỉnh Đánh giá
Chất lượng dịch vụ (CL) 6 0,863 Không 6 0,863 Rất tốt
Thời gian giao dịch (TG) 4 0,836 Không 4 0,836 Rất tốt
Thương hiệu & Hình ảnh (TH) 5 0,749 TH5 4 0,779 Tốt
Chi phí & Lãi suất vay (LS) 5 0,748 Không 5 0,748 Tốt
Thời gian vay & Trả nợ (TGV) 5 0,785 Không 5 0,785 Tốt
Khả năng phục vụ (PV) 5 0,680 PV1 4 0,748 Tốt
Quyết định vay vốn (QD) 3 0,809 Không 3 0,809 Rất tốt 
+-----------------------------------------------------------------------------------+
|               KẾT QUẢ TÁI KIỂM ĐỊNH CRONBACH'S ALPHA SAU LOẠI BIẾN                |
|                                                                                   |
|  Chất lượng dịch vụ (CL)       [===============================] 0.863            |
|  Thời gian giao dịch (TG)      [============================] 0.836               |
|  Quyết định vay vốn (QD)       [===========================] 0.809                |
|  Thời gian vay & Trả nợ (TGV)  [==========================] 0.785                 |
|  Thương hiệu & Hình ảnh (TH)   [=========================] 0.779 (Loại TH5)       |
|  Chi phí & Lãi suất vay (LS)   [========================] 0.748                   |
|  Khả năng phục vụ (PV)         [========================] 0.748 (Loại PV1)        |
+-----------------------------------------------------------------------------------+

Phân tích nhân tố khám phá (EFA)

  • Biến độc lập: 23 biến quan sát sau tái kiểm định được đưa vào phân tích EFA trích xuất được 6 nhóm nhân tố với tổng phương sai trích (Total Variance Explained) $> 50%$, hệ số $\text{KMO} > 0,70$ và kiểm định Bartlett có $\text{Sig.} = 0,000 < 0,05$.
  • Biến phụ thuộc (QD): 3 biến quan sát (QD1, QD2, QD3) trích xuất thành 1 nhân tố duy nhất với hệ số KMO đạt chuẩn và phương sai trích $> 60%$.

Kết quả đạt được

Đặc điểm mẫu khảo sát ($N = 203$):

  • Giới tính: Nữ chiếm $64,0%$ (130 người), Nam chiếm $36,0%$ (73 người).
  • Độ tuổi: Dưới 30 tuổi chiếm áp đảo với $79,8%$ (162 người); từ 30–45 tuổi chiếm $18,7%$ (38 người); trên 45 tuổi chiếm $1,5%$ (3 người).
  • Trình độ học vấn: Đại học chiếm $53,7%$ (109 người); Sau đại học chiếm $40,4%$ (82 người); Cao đẳng/Trung cấp/THPT chiếm $5,9%$.
  • Thu nhập hàng tháng: Dưới 10 triệu đồng chiếm $61,6%$ (125 người); từ 10–20 triệu đồng chiếm $23,6%$ (48 người); trên 20 triệu đồng chiếm $14,8%$.
  • Loại hình doanh nghiệp: Doanh nghiệp tư nhân chiếm $42,4%$ (86 người); Công ty TNHH chiếm $19,7%$; Hộ kinh doanh chiếm $16,3%$; Doanh nghiệp Nhà nước & Cổ phần chiếm $18,8%$.
+-------------------------------------------------------------------------------+
|                       CƠ CẤU MẪU NGHIÊN CỨU (N = 203)                         |
|                                                                               |
|  Độ tuổi:    [< 30 tuổi: 79.8%] [30-45 tuổi: 18.7%] [> 45 tuổi: 1.5%]         |
|  Thu nhập:   [< 10 triệu: 61.6%] [10-20 triệu: 23.6%] [> 20 triệu: 14.8%]     |
|  Học vấn:    [Đại học: 53.7%] [Sau đại học: 40.4%] [Khác: 5.9%]               |
|  Đơn vị:     [DN Tư nhân: 42.4%] [TNHH: 19.7%] [Hộ KD: 16.3%] [Khác: 21.6%]   |
+-------------------------------------------------------------------------------+

Mô hình hồi quy tuyến tính bội xác nhận toàn bộ 6 giả thuyết ($H_1$ đến $H_6$) đều được chấp nhận với mức ý nghĩa thống kê $p < 0,05$. Hệ số xác định $R^2$ hiệu chỉnh cho thấy các biến độc lập giải thích phần lớn sự biến thiên trong quyết định vay vốn mua nhà ở của khách hàng cá nhân.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn mang tính hệ thống đối với lĩnh vực tài chính - ngân hàng bán lẻ:

  1. Đổi mới về mô hình thang đo địa phương hóa: Khác với các nghiên cứu tại đô thị loại I, nghiên cứu đã phát hiện biến PV1 (khoảng cách địa lý) không còn mang ý nghĩa thống kê trong thời đại ngân hàng số và giao thông phát triển. Khách hàng sẵn sàng di chuyển xa hơn để đến chi nhánh có chất lượng phục vụ và ưu đãi lãi suất tốt hơn.
  2. So sánh với các nghiên cứu tiền nhiệm:
Nghiên cứu Bối cảnh Cỡ mẫu Thứ tự tác động của các nhân tố chính
Boyd et al. (1994) Hộ gia đình tại Mỹ 188 Chi phí & Lãi suất > Thời gian phục vụ > Uy tín
Đào Lê Kiều Oanh et al. (2021) NHTM tại Việt Nam 250 Thương hiệu > Lãi suất > Thời gian giao dịch
Lê Minh Trường (2023) NHTM tại TP.HCM 350 Chất lượng dịch vụ > Lãi suất > Hình ảnh ngân hàng
Nghiên cứu này (2024) Agribank Cao Lãnh 203 Chất lượng dịch vụ & Thời gian giao dịch có tác động vượt trội đối với khách hàng trẻ
  1. Đóng góp định lượng vào quản trị ngân hàng: Cung cấp cơ sở dữ liệu thực nghiệm giúp Agribank tối ưu hóa sản phẩm vay mua nhà, hướng tới mục tiêu tăng trưởng dư nợ bán lẻ bình quân $10%–12%$/năm trong khi vẫn giữ tỷ lệ nợ xấu ở mức an toàn tuyệt đối ($0,03%$).
+-----------------------------------------------------------------------------------+
|                       ĐÓNG GÓP & ĐỔI MỚI SO VỚI TIỀN NHIỆM                        |
|                                                                                   |
|  Boyd et al. (1994)     --> Chi phí & Lãi suất đứng đầu                           |
|  Đào Lê Kiều Oanh (2021)--> Thương hiệu & Hình ảnh đứng đầu                       |
|  Lê Minh Trường (2023)  --> Chất lượng dịch vụ đứng đầu                           |
|  Đề tài này (2024)      --> Chất lượng DV + Tốc độ xử lý + Loại bỏ biến PV1 (Vị trí)|
+-----------------------------------------------------------------------------------+

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Tình huống 1: Khách hàng trẻ (< 30 tuổi, độc thân, thu nhập 8–12 triệu đồng/tháng): Thiết kế gói vay mua căn hộ/nhà ở đầu tiên với thời hạn vay kéo dài lên đến 20–25 năm, áp dụng cơ chế ân hạn nợ gốc 12–24 tháng đầu để giảm áp lực trả nợ định kỳ (TGV4 $< 70%$ thu nhập).
  • Tình huống 2: Hộ kinh doanh cá thể tại địa bàn nông thôn chuyển đổi lên nhà phố: Cung cấp quy trình thẩm định dòng tiền thực tế kết hợp hạn mức tín dụng linh hoạt theo mùa vụ nông sản.

Chiến lược và lộ trình triển khai tại Agribank Cao Lãnh

+-------------------------------------------------------------------------------+
|                       LỘ TRÌNH TRIỂN KHAI 4 GIAI ĐOẠN                         |
|                                                                               |
|  [Q1/2025: Chuẩn hóa quy trình] ---> Rút ngắn thời gian thẩm định < 3 ngày    |
|                 |                                                             |
|                 v                                                             |
|  [Q2/2025: Tối ưu gói lãi suất] ---> Gói ưu đãi cố định 12-24 tháng           |
|                 |                                                             |
|                 v                                                             |
|  [Q3/2025: Nâng cấp CRM & KPI]  ---> Đào tạo kỹ năng tư vấn khách hàng        |
|                 |                                                             |
|                 v                                                             |
|  [Q4/2025: Đánh giá & Nhân rộng]---> Kiểm soát nợ xấu < 0.05%, tăng trưởng 12%|
+-------------------------------------------------------------------------------+
  • Giai đoạn 1 (Quý 1/2025) – Cải tiến thời gian giao dịch: Chuẩn hóa quy trình một cửa cho vay mua nhà ở. Rút ngắn thời gian tiếp nhận, thẩm định và phê duyệt hồ sơ từ 5 ngày xuống dưới 3 ngày làm việc (đáp ứng tiêu chí GD3, GD4).
  • Giai đoạn 2 (Quý 2/2025) – Tối ưu hóa chính sách chi phí và lãi suất: Triển khai các gói lãi suất ưu đãi cố định 12–24 tháng đầu (từ 6,5%–7,5%/năm), công khai minh bạch các biểu phí liên quan để gia tăng tính cạnh tranh so với khối NHTM cổ phần.
  • Giai đoạn 3 (Quý 3/2025) – Đào tạo và nâng cao năng lực phục vụ: Tổ chức các khóa đào tạo định kỳ cho cán bộ tín dụng về kỹ năng tư vấn phương án tài chính cá nhân thông minh (PV3, PV5) và đạo đức nghề nghiệp (CL5).
  • Giai đoạn 4 (Quý 4/2025) – Đánh giá và mở rộng: Đánh giá hiệu quả kinh doanh, dự kiến nâng quy mô dư nợ cho vay mua nhà ở từ 3.500 tỷ đồng lên 4.000 tỷ đồng, duy trì tỷ lệ nợ xấu dưới $0,05%$.

Hạn chế và hướng phát triển

Dù đạt được những kết quả có giá trị thực tiễn cao, đề tài vẫn tồn tại một số hạn chế cần tiếp tục hoàn thiện:

  1. Phạm vi địa bàn: Khảo sát chỉ giới hạn tại Agribank – CN Huyện Cao Lãnh, tỉnh Đồng Tháp ($N = 203$), chưa mở rộng sang các chi nhánh lân cận hoặc toàn bộ khu vực Đồng bằng sông Cửu Long.
  2. Phương pháp phân tích: Nghiên cứu sử dụng mô hình hồi quy tuyến tính OLS thông qua SPSS. Các mối quan hệ phi tuyến hoặc tác động gián tiếp qua biến trung gian (như sự hài lòng, niềm tin thương hiệu) chưa được phân tích bằng mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM).
  3. Hướng phát triển:
    • Mở rộng cỡ mẫu lên $N \ge 500$ trên phạm vi toàn tỉnh Đồng Tháp.
    • Ứng dụng mô hình phân tích hành vi nâng cao kết hợp dữ liệu lớn (Big Data) từ lịch sử giao dịch E-Banking để dự báo nhu cầu vay mua nhà ở theo thời gian thực.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Tài chính – Ngân hàng: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu khoa học, từ xây dựng bảng hỏi, kiểm định Cronbach's Alpha, EFA đến phân tích hồi quy thực tế.
  • Chuyên viên phân tích dữ liệu & Tín dụng: Nắm vững quy trình xử lý dữ liệu khảo sát và các đoạn mã kiểm định thống kê chuẩn hóa.
  • Ban lãnh đạo Agribank & Các NHTM: Có được luận cứ khoa học định lượng để ra quyết định điều chỉnh biểu lãi suất, tái cấu trúc kỳ hạn nợ và chuẩn hóa dịch vụ khách hàng.
  • Nhà nghiên cứu học thuật: Cung cấp dữ liệu thực nghiệm kiểm chứng mô hình hành vi người tiêu dùng Kotler tại khu vực nông nghiệp - nông thôn Việt Nam.
+-------------------------------------------------------------------------------+
|                       GIÁ TRỊ CHO CÁC ĐỐI TƯỢNG HƯỞNG LỢI                      |
|                                                                               |
|  [Sinh viên/Học viên]  --> Khung phương pháp nghiên cứu chuẩn mực             |
|  [Chuyên viên Tín dụng]--> Kỹ thuật phân tích dữ liệu & Tối ưu hóa hồ sơ       |
|  [Lãnh đạo Ngân hàng]  --> Cơ sở ra quyết định biểu phí, lãi suất & quy trình |
|  [Nhà nghiên cứu]      --> Dữ liệu thực nghiệm kiểm chứng lý thuyết hành vi   |
+-------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và cơ sở dữ liệu để triển khai khảo sát đánh giá tín dụng tương tự là gì?

Cần thiết kế bộ câu hỏi chuẩn hóa gồm các biến thang đo Likert 5 bậc, sử dụng phần mềm IBM SPSS Statistics 20.0 trở lên hoặc thư viện Python (statsmodels, factor_analyzer, scipy) để kiểm định Cronbach's Alpha ($> 0,60$) và EFA (Factor Loading $> 0,50$). Dữ liệu phải đạt quy mô tối thiểu gấp 5 lần số biến quan sát.

2. Tại sao biến khoảng cách địa lý (PV1) lại bị loại khỏi mô hình nghiên cứu?

Kết quả kiểm định độ tin cậy cho thấy biến PV1 có hệ số tương quan biến - tổng chỉ đạt $0,192 (< 0,30)$. Điều này phản ánh thực tế rằng khách hàng vay mua nhà coi trọng năng lực tư vấn, lãi suất và tốc độ giải ngân hơn là việc chi nhánh ngân hàng nằm gần hay xa nơi ở.

3. Làm thế nào để tích hợp kết quả nghiên cứu vào hệ thống phần mềm quản lý tín dụng hiện hữu của ngân hàng?

Ngân hàng có thể số hóa bảng tiêu chí đánh giá dựa trên 6 nhóm nhân tố (CL, TG, TH, LS, TGV, PV) thành các trường dữ liệu chấm điểm (Scoring Card) trên hệ thống khởi tạo khoản vay (LOS - Loan Origination System), giúp tự động hóa khâu phân loại hồ sơ và cảnh báo rủi ro.

4. Chi phí triển khai các giải pháp cải tiến quy trình tín dụng tại chi nhánh là bao nhiêu?

Chi phí chủ yếu tập trung vào việc nâng cấp hệ thống phần mềm một cửa, chuẩn hóa phòng giao dịch và tổ chức các khóa đào tạo nghiệp vụ nội bộ. Nguồn kinh phí này được bù đắp nhanh chóng thông qua việc tăng trưởng quy mô dư nợ tín dụng (ước tính tăng 200–300 tỷ đồng dư nợ mỗi năm) và tối ưu hóa chi phí vận hành.

5. Khách hàng trẻ có thu nhập dưới 10 triệu đồng/tháng có thể tiếp cận gói vay mua nhà Agribank bằng cách nào?

Khách hàng có thể tận dụng chính sách kéo dài thời gian vay vốn lên đến 20 năm để giảm số tiền trả nợ gốc và lãi định kỳ hàng tháng xuống dưới $70%$ thu nhập chứng minh được (theo tiêu chí TGV4), đồng thời kết hợp chứng minh nguồn thu nhập bổ sung từ người đồng vay/bảo lãnh gia đình.

Kết luận

Công trình nghiên cứu đã làm sáng tỏ một cách khoa học các nhân tố ảnh hưởng đến quyết định vay vốn mua nhà ở của khách hàng cá nhân tại Agribank – Chi nhánh Huyện Cao Lãnh, tỉnh Đồng Tháp. Thông qua việc phân tích dữ liệu thực nghiệm $N = 203$, nghiên cứu khẳng định Chất lượng dịch vụ ($\alpha = 0,863$), Thời gian giao dịch ($\alpha = 0,836$), Thương hiệu ($\alpha = 0,779$), Thời hạn vay & Trả nợ ($\alpha = 0,785$), Khả năng phục vụ ($\alpha = 0,748$) và Chi phí & Lãi suất ($\alpha = 0,748$) là những trụ cột quyết định sự lựa chọn của khách hàng.

Kết quả này không chỉ đóng góp về mặt học thuật trong việc kiểm chứng lý thuyết hành vi người tiêu dùng tại thị trường tài chính nông thôn đang phát triển, mà còn mang lại giá trị ứng dụng thực tiễn to lớn cho ban lãnh đạo Agribank trong việc hoạch định chiến lược kinh doanh bán lẻ, cải cách thủ tục hành chính tín dụng và duy trì tỷ lệ nợ xấu ở mức an toàn bền vững. Các NHTM cần chủ động số hóa quy trình, đa dạng hóa gói sản phẩm vay và nâng cao tính chuyên nghiệp của đội ngũ cán bộ tín dụng nhằm tối đa hóa sự hài lòng của khách hàng trong kỷ nguyên tài chính số.