Bối cảnh và vấn đề nghiên cứu

Huyện Vĩnh Hưng thuộc khu vực Đồng Tháp Mười, tỉnh Long An, là địa bàn mà hơn 60% dân cư sinh sống và kinh doanh bằng nghề nông, với tổng diện tích đất nông nghiệp chiếm khoảng 33.000 ha, tương đương 87,3% tổng diện tích toàn huyện. Trong bối cảnh đó, Agribank — ngân hàng thương mại nhà nước giữ vai trò chủ lực trên thị trường vốn và tín dụng cho nông nghiệp, nông thôn — đã liên tục tăng cường cho vay đối với khách hàng cá nhân (KHCN) kinh doanh tại chi nhánh huyện Vĩnh Hưng. Tính đến năm 2023, dư nợ cho vay KHCN chiếm 90,7% tổng dư nợ toàn chi nhánh, trong đó riêng dư nợ KHCN vay kinh doanh chiếm 67,8%. Tuy nhiên, tỷ lệ nợ xấu của chi nhánh giai đoạn 2021–2023 có xu hướng tăng dần, tạo áp lực rủi ro tín dụng rõ rệt.

Sau đại dịch COVID-19, hoạt động kinh doanh của nhiều cá nhân gặp khó khăn trong phục hồi, khiến tình trạng nợ xấu gia tăng trên diện rộng. Phần lớn các nghiên cứu hiện có về nợ xấu tập trung vào yếu tố vĩ mô (GDP, lạm phát, quy mô ngân hàng) và đối tượng là các ngân hàng thương mại (NHTM). Khoảng trống nghiên cứu về các nhân tố cấp độ khách hàng cá nhân — đặc biệt ở phân khúc vay kinh doanh tại chi nhánh cấp huyện — là động lực chính để tác giả lựa chọn đề tài.

Mục tiêu nghiên cứu được xác định theo ba cấp độ:

  1. Xác định các nhân tố ảnh hưởng đến nợ xấu của KHCN vay kinh doanh tại Agribank Chi nhánh huyện Vĩnh Hưng.
  2. Định lượng mức độ tác động của từng nhân tố thông qua mô hình hồi quy.
  3. Từ kết quả mô hình và khảo sát thực tế, đề xuất giải pháp quản trị rủi ro và hạn chế nợ xấu tại chi nhánh.

Câu hỏi nghiên cứu gồm ba câu hỏi tương ứng: (1) Những nhân tố nào ảnh hưởng đến nợ xấu của KHCN vay kinh doanh? (2) Mức độ tác động của từng nhân tố ra sao? (3) Giải pháp nào giúp quản trị rủi ro và giảm thiểu nợ xấu?

Đối tượng nghiên cứu là các nhân tố ảnh hưởng đến nợ xấu của KHCN vay kinh doanh tại Agribank Chi nhánh huyện Vĩnh Hưng. Phạm vi không gian giới hạn tại chi nhánh này; phạm vi thời gian của dữ liệu thứ cấp là giai đoạn 2021–2023, dữ liệu sơ cấp được thu thập tại thời điểm khảo sát trực tiếp.


Cơ sở lý thuyết và phương pháp

Khung lý thuyết và khái niệm

Đề án dựa trên khái niệm nợ xấu theo khoản 8 Điều 3 Thông tư 11/2021/TT-NHNN: nợ xấu (NPL) là nợ xấu nội bảng, gồm các khoản nợ thuộc nhóm 3, 4 và 5. Phân loại nợ theo phương pháp định lượng (Điều 10) và định tính (Điều 11) của cùng Thông tư được trình bày đầy đủ, làm căn cứ xác định biến phụ thuộc nhị phân Y trong mô hình: Y = 1 nếu khách hàng có nợ xấu (nhóm 3, 4, 5), Y = 0 nếu không có nợ xấu (nhóm 1, 2).

Khái niệm cho vay KHCN được tiếp cận theo Phương & Nhung (2020), đề án giới hạn phạm vi ở cho vay phục vụ hoạt động kinh doanh của cá nhân và hộ gia đình. Định nghĩa nợ xấu còn được đối chiếu với Mishkin (2019) trong Tiền tệ, Ngân hàng và Thị trường Tài chính: các khoản vay mà người vay không thể thanh toán lãi hoặc gốc đúng thỏa thuận, với tiêu chí quá hạn trên 90 ngày.

Các nhân tố độc lập được chọn lọc qua mô hình chấm điểm xếp hạng nội bộ tại chi nhánh, kết hợp tổng quan từ các nghiên cứu của Chul (1978), Haile (2015), Vương Quân Hoàng và cộng sự (2006), Trần Thế Sao (2020), Trần Vương Thịnh & Nguyễn Ngọc Hồng Loan (2021), Tất Duyên Thư & Phan Ngọc Bảo Anh (2023).

Phương pháp nghiên cứu

Đề án sử dụng kết hợp hai phương pháp:

  • Phương pháp định lượng: phân tích hồi quy Logistic nhị phân trên dữ liệu bảng với 400 KHCN vay kinh doanh đang có dư nợ, trích xuất từ hệ thống IPCAS của Agribank Chi nhánh huyện Vĩnh Hưng giai đoạn 2021–2023. Công cụ phân tích là phần mềm STATA phiên bản 17.0. Quy trình kiểm định gồm: thống kê mô tả, kiểm định tương quan (ma trận tương quan), kiểm định đa cộng tuyến (chỉ số VIF), hồi quy Logistic và đánh giá độ chính xác mô hình (Postestimation).
  • Phương pháp định tính: khảo sát thực tế 30 KHCN vay kinh doanh tại chi nhánh thông qua phiếu khảo sát có thang điểm, nhằm đánh giá mức độ tác động của 10 nhân tố (kể cả những nhân tố không có ý nghĩa thống kê trong mô hình định lượng) theo góc nhìn của chính khách hàng.

Nguồn dữ liệu: dữ liệu thứ cấp từ hệ thống IPCAS (n = 400, chọn ngẫu nhiên); dữ liệu sơ cấp từ phiếu khảo sát (n = 30).


Nội dung chính theo từng chương

Chương 1: Giới thiệu đề tài

Chương đặt vấn đề dựa trên thực trạng tăng trưởng tín dụng và xu hướng gia tăng nợ xấu tại Agribank Chi nhánh huyện Vĩnh Hưng giai đoạn 2021–2023. Tác giả trình bày mục tiêu tổng quát, ba mục tiêu cụ thể, ba câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp tiếp cận, đóng góp dự kiến và bố cục 5 chương của đề án.

Chương 2: Cơ sở lý luận về nợ xấu và các nhân tố ảnh hưởng đến nợ xấu của khách hàng cá nhân vay kinh doanh

Chương hệ thống hóa khái niệm cho vay KHCN và nợ xấu theo Thông tư 11/2021/TT-NHNN. Hai bảng phân loại nợ theo phương pháp định lượng và định tính được xây dựng đầy đủ. Các nhân tố ảnh hưởng đến nợ xấu được phân thành ba nhóm: (i) thông tin cá nhân — tuổi tác, trạng thái hôn nhân, trình độ học vấn, số người phụ thuộc; (ii) thông tin tài chính/kinh doanh — quyền sở hữu địa điểm kinh doanh, số năm hoạt động kinh doanh; (iii) thông tin tín dụng — số năm quan hệ tín dụng (QHTD) với ngân hàng, lịch sử quá hạn, số tổ chức tín dụng (TCTD) có quan hệ tín dụng, dư nợ thẻ tín dụng. Phần lược khảo tổng hợp 6 nghiên cứu liên quan trong và ngoài nước, trình bày theo bảng so sánh phương pháp và kết quả.

Chương 3: Mô hình nghiên cứu

Chương trình bày quy trình nghiên cứu 6 bước (từ xác định mục tiêu đến kết luận và đề xuất giải pháp), đặc điểm dữ liệu (400 quan sát, trích xuất từ IPCAS) và mô hình hồi quy Logistic nhị phân:

$$\log\frac{P(Y=1)}{P(Y=0)} = \beta_0 + \beta_1X_1 + \beta_2X_2 + \cdots + \beta_{10}X_{10}$$

Bảng 3.1 liệt kê 10 biến độc lập (X1–X10), thang đo, dấu kỳ vọng và nguồn tham chiếu cho từng biến.

Chương 4: Kết quả và thảo luận

Chương trình bày kết quả phân tích theo trình tự: thống kê mô tả → ma trận tương quan → kiểm định VIF → hồi quy Logistic → đánh giá độ chính xác → thảo luận kết quả → khảo sát thực tế.

Kết quả kiểm định VIF cho thấy tất cả biến đều có VIF dưới 3, không có đa cộng tuyến nghiêm trọng. Kết quả hồi quy Logistic (LR chi2(10) = 81,06; Prob > chi2 = 0,0000; Pseudo R² = 0,7069) xác nhận mô hình có độ phù hợp tốt. Năm biến có ý nghĩa thống kê được xác định. Bảng khảo sát 30 KHCN được phân tích chi tiết theo từng nhân tố, trình bày dưới dạng biểu đồ và nhận xét định tính.

Chương 5: Kết luận và khuyến nghị

Chương tổng kết các phát hiện chính, đối chiếu với mục tiêu nghiên cứu và đề xuất khuyến nghị cụ thể cho Agribank Chi nhánh huyện Vĩnh Hưng nhằm giảm thiểu nợ xấu của KHCN vay kinh doanh.


Kết quả và đóng góp

Kết quả chính

Mô hình hồi quy Logistic xác định 5 nhân tố có ý nghĩa thống kê ảnh hưởng đến nợ xấu của KHCN vay kinh doanh:

Biến Chiều tác động Mức ý nghĩa
Tuổi tác (X1) Âm (−) 5%
Trạng thái hôn nhân (X2) Âm (−), rất mạnh 1%
Số người phụ thuộc (X4) Dương (+), rất mạnh 1%
Lịch sử quá hạn (X8) Dương (+), rất mạnh 1%
Dư nợ thẻ tín dụng (X10) Dương (+) 5%

Mô hình dự báo chính xác 394/400 quan sát, đạt tỷ lệ chính xác 98,5%. Pseudo R² = 0,7069 cho thấy các biến độc lập giải thích được 70,69% biến phụ thuộc. Tỷ lệ nợ xấu trung bình trong mẫu là 3,25%; 19% khách hàng trong mẫu có lịch sử quá hạn; 96% đã kết hôn; 21% có trình độ từ THPT trở lên.

Năm biến còn lại (trình độ học vấn, quyền sở hữu địa điểm kinh doanh, số năm hoạt động kinh doanh, số năm QHTD, số TCTD có quan hệ tín dụng) không có ý nghĩa thống kê trong mô hình (p-value > 0,1).

Khuyến nghị của tác giả

Dựa trên kết quả mô hình và khảo sát 30 khách hàng, đề án đề xuất các khuyến nghị theo hướng: (i) tăng cường thẩm định các yếu tố nhân khẩu học (tình trạng hôn nhân, số người phụ thuộc) trong quy trình xét duyệt tín dụng; (ii) chú trọng lịch sử quá hạn và dư nợ thẻ tín dụng như các chỉ báo rủi ro sớm; (iii) xem xét yếu tố tuổi tác kết hợp với khả năng tài chính thực tế; (iv) cân nhắc quyền sở hữu địa điểm kinh doanh và số năm hoạt động kinh doanh — dù không có ý nghĩa trong mô hình định lượng, khảo sát thực tế cho điểm trung bình lần lượt là 4,3 và 4,07 — như các tiêu chí bổ sung trong chấm điểm xếp hạng tín dụng.

Đóng góp so với nghiên cứu trước

Điểm khác biệt mà tác giả tự nêu: trong khi hầu hết nghiên cứu về nợ xấu tập trung vào yếu tố vĩ mô và đối tượng là NHTM, đề án này chuyển hướng sang phân tích nhân tố cấp độ khách hàng cá nhân trong phân khúc vay kinh doanh tại một chi nhánh cụ thể. Các biến được lựa chọn thông qua mô hình chấm điểm xếp hạng nội bộ của chi nhánh, tăng tính ứng dụng thực tiễn.


Hạn chế và hướng nghiên cứu tiếp

Đề án không trình bày tường minh các hạn chế trong phần riêng biệt. Tuy nhiên, dựa trên phạm vi nghiên cứu được xác định, có thể nhận thấy một số giới hạn nội tại: mẫu định lượng giới hạn ở 400 quan sát tại một chi nhánh, mẫu khảo sát định tính chỉ gồm 30 khách hàng — quy mô nhỏ, khó khái quát hóa. Dữ liệu bó hẹp trong giai đoạn 2021–2023 tại một địa bàn đặc thù nông nghiệp, nên kết quả chưa phản ánh được sự đa dạng của các địa bàn đô thị hoặc công nghiệp. Năm biến không có ý nghĩa thống kê trong mô hình nhưng được khảo sát đánh giá cao (quyền sở hữu địa điểm, số năm hoạt động) gợi mở hướng nghiên cứu tiếp theo với cỡ mẫu lớn hơn hoặc phương pháp đo lường khác nhằm kiểm chứng lại vai trò của các biến này.


Giá trị tham khảo

Đề án có giá trị tham khảo trực tiếp cho các nhóm đối tượng sau:

  • Sinh viên và học viên ngành Tài chính – Ngân hàng đang thực hiện nghiên cứu về rủi ro tín dụng, phân loại nợ, hoặc cho vay KHCN. Phần Chương 2 cung cấp cơ sở lý luận được hệ thống từ văn bản pháp luật (Thông tư 11/2021/TT-NHNN) đến lý thuyết học thuật.
  • Cán bộ tín dụng và quản lý rủi ro tại các NHTM, đặc biệt các chi nhánh phục vụ địa bàn nông thôn, có thể tham khảo bộ biến và quy trình phân tích để điều chỉnh tiêu chí chấm điểm xếp hạng khách hàng.
  • Người làm đề tài tương tự về nợ xấu cá nhân hoặc tín dụng vi mô có thể tham khảo cấu trúc mô hình Logistic nhị phân, quy trình chạy và kiểm định trên STATA 17.0, cùng bảng tổng hợp sáu nghiên cứu liên quan ở Chương 2.
  • Phần Chương 4, mục 4.7 (kết quả khảo sát) là tài liệu tham khảo hữu ích cho ai muốn tích hợp phân tích định tính bổ trợ sau kết quả định lượng.

Câu hỏi thường gặp

1. Tỷ lệ nợ xấu trong mẫu nghiên cứu là bao nhiêu? Trong 400 KHCN vay kinh doanh được chọn ngẫu nhiên, tỷ lệ nợ xấu trung bình là 3,25%, tức khoảng 13 khách hàng có nợ thuộc nhóm 3, 4 hoặc 5.

2. Nhân tố nào tác động mạnh nhất đến nợ xấu theo kết quả mô hình? Theo kết quả hồi quy Logistic, hai biến có hệ số lớn và có ý nghĩa ở mức 1% là trạng thái hôn nhân (tác động âm, hệ số −9,01) và số người phụ thuộc (tác động dương, hệ số 4,01). Lịch sử quá hạn cũng có hệ số dương lớn (3,01) và có ý nghĩa ở mức 1%.

3. Tại sao trình độ học vấn không có ý nghĩa thống kê trong mô hình, dù nhiều nghiên cứu trước cho thấy có tác động? Tác giả lý giải điều này bằng đặc thù địa bàn: đất nông nghiệp chiếm 87,3% diện tích huyện Vĩnh Hưng, người dân chủ yếu làm nông, tích lũy kinh nghiệm thực tiễn qua nhiều thế hệ thay vì qua đào tạo chính quy. Kết quả khảo sát 30 khách hàng cũng xác nhận: điểm trung bình của nhân tố này dưới 3, thấp nhất trong 10 nhân tố được đánh giá.

4. Mô hình dự báo chính xác đến mức nào và được kiểm chứng như thế nào? Sau khi chạy hồi quy Logistic, tác giả thực hiện hồi quy Postestimation để đánh giá hiệu suất. Kết quả: mô hình dự báo đúng 394/400 quan sát, đạt tỷ lệ chính xác 98,5%, sai 1,5% (6 quan sát).

5. Quyền sở hữu địa điểm kinh doanh không có ý nghĩa thống kê trong mô hình, nhưng khảo sát thực tế cho thấy điều gì? Dù p-value của biến X5 vượt 0,1 trong mô hình định lượng, khảo sát 30 khách hàng cho điểm trung bình 4,3 — cao nhất trong 10 nhân tố được đánh giá. Tỷ lệ khách hàng trong mẫu định lượng có quyền sở hữu địa điểm kinh doanh lên đến 96%, tạo ra ít biến thiên trong dữ liệu, có thể là lý do kỹ thuật khiến biến này không đạt ý nghĩa thống kê.


Kết luận

Đề án tốt nghiệp của Nguyễn Thị Bích Vân cung cấp bằng chứng thực nghiệm từ dữ liệu 400 KHCN vay kinh doanh tại Agribank Chi nhánh huyện Vĩnh Hưng, xác định được 5 nhân tố có ý nghĩa thống kê ảnh hưởng đến nợ xấu: tuổi tác, trạng thái hôn nhân, số người phụ thuộc, lịch sử quá hạn và dư nợ thẻ tín dụng. Mô hình Logistic đạt độ chính xác dự báo 98,5% và Pseudo R² = 0,7069, cho thấy các biến được chọn có khả năng giải thích tốt biến phụ thuộc nợ xấu. Bằng cách kết hợp phân tích định lượng với khảo sát định tính 30 khách hàng, đề án bổ sung thêm góc nhìn thực tiễn về các nhân tố như quyền sở hữu địa điểm kinh doanh và số năm hoạt động — những nhân tố được khách hàng đánh giá cao dù không có ý nghĩa thống kê trong mô hình. Kết quả nghiên cứu có thể được ứng dụng trực tiếp vào quy trình thẩm định và chấm điểm tín dụng tại Agribank Chi nhánh huyện Vĩnh Hưng nói riêng và các NHTM phục vụ địa bàn nông thôn nói chung.