Tổng quan nghiên cứu

Trong giai đoạn 2015–2018, thị trường tài chính tiêu dùng tại Việt Nam chứng kiến sự bứt phá mạnh mẽ về quy mô giải ngân và số lượng khách hàng. Tại Ngân hàng Thương mại Cổ phần Phương Đông (OCB), Khối Khách hàng đại chúng (COM-B) đã ghi nhận mức tăng trưởng vượt bậc: số lượng khách hàng được giải ngân tăng từ 464 người năm 2015 lên tới 127.563 người vào cuối năm 2018. Song song đó, tổng dư nợ tín dụng tăng vọt từ 26,01 tỷ đồng năm 2015 lên 4.082 tỷ đồng vào năm 2018, mang lại nguồn thu nhập hoạt động ấn tượng đạt 208,21 tỷ đồng.

Tuy nhiên, tốc độ mở rộng quy mô quá nhanh đối với phân khúc cho vay tín chấp không có tài sản bảo đảm đã đặt ngân hàng trước những thách thức quản trị nghiêm trọng. Tỷ lệ nợ quá hạn tại COM-B gia tăng liên tục từ 4,58% (tương đương 1,19 tỷ đồng) năm 2015 lên mức 6,30% (tương đương 257,04 tỷ đồng) vào năm 2018. Tương ứng, tỷ lệ nợ xấu cũng leo thang từ 4,50% lên 6,20%, khiến quy mô nợ xấu chạm mốc 253,08 tỷ đồng và buộc ngân hàng phải trích lập dự phòng rủi ro lên đến 109,99 tỷ đồng trong năm 2018. Tháng 11/2018, COM-B thậm chí đã phải tạm dừng kinh doanh một số dòng sản phẩm có tỷ lệ nợ xấu vượt ngưỡng an toàn.

Trước thực trạng đó, đề tài tập trung phân tích các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng cá nhân vay tín chấp tại Khối Khách hàng đại chúng OCB. Mục tiêu cụ thể là xác định mức độ tác động của các yếu tố nhân khẩu học và đặc điểm khoản vay đến xác suất phát sinh nợ xấu, từ đó xây dựng hệ thống giải pháp ứng dụng thực tiễn nhằm kiểm soát nợ quá hạn, giảm chi phí trích lập dự phòng và nâng cao chất lượng danh mục tín dụng tiêu dùng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kết hợp giữa các lý thuyết kinh tế học tài chính kinh điển và chuẩn mực quản trị ngân hàng hiện đại:

  • Lý thuyết bất cân xứng thông tin (Information Asymmetry Theory): Giải thích hiện tượng lựa chọn đối nghịch (adverse selection) và rủi ro đạo đức (moral hazard) trong hoạt động cấp tín dụng cá nhân. Khi người đi vay nắm giữ nhiều thông tin hơn ngân hàng về năng lực tài chính và thiện chí hoàn trả nhưng không có tài sản bảo đảm, ngân hàng phải dựa vào các thuộc tính định lượng và định tính của khách hàng để sàng lọc rủi ro.
  • Lý thuyết vòng đời thu nhập (Life-Cycle Hypothesis): Phân tích hành vi tiêu dùng và vay nợ theo từng độ tuổi và giai đoạn thu nhập của cá nhân, chỉ ra rằng khách hàng ở các độ tuổi và mức tích lũy khác nhau sẽ có thái độ và năng lực hoàn trả nghĩa vụ nợ khác nhau.
  • Khung chuẩn mực Hiệp ước Basel II: Hướng dẫn phân loại nhóm nợ, đo lường xác suất vỡ nợ (Probability of Default - PD) và yêu cầu tỷ lệ an toàn vốn tối thiểu. Ngày 26/12/2018, OCB được Ngân hàng Nhà nước Việt Nam công nhận hoàn tất triển khai Basel II, tạo cơ sở pháp lý và kỹ thuật quan trọng để chuẩn hóa quy trình phân loại 5 nhóm nợ theo quy định hiện hành.

Bên cạnh đó, nghiên cứu làm rõ các khái niệm cốt lõi: tín dụng tiêu dùng tín chấp, khả năng trả nợ của khách hàng, nợ quá hạn và nợ xấu (các khoản vay thuộc nhóm 3, nhóm 4, nhóm 5 theo phân loại của Ngân hàng Nhà nước với thời gian trễ hạn trên 90 ngày hoặc có dấu hiệu mất vốn).

Phương pháp nghiên cứu

  • Nguồn dữ liệu và Cỡ mẫu: Nghiên cứu sử dụng tập dữ liệu vi mô gồm 638 hồ sơ khách hàng cá nhân đang có dư nợ tín dụng thực tế tại COM-B OCB tính đến thời điểm cuối năm 2018. Dữ liệu được trích xuất từ hệ thống quản lý hợp đồng và phân tích rủi ro nội bộ của ngân hàng, đảm bảo tính khách quan và trung thực.
  • Phương pháp chọn mẫu: Tác giả áp dụng phương pháp chọn mẫu xác suất kết hợp phân tầng ngẫu nhiên theo các nhóm sản phẩm chính của COM-B, bao gồm: nhóm khách hàng hưởng lương (sản phẩm SL với lãi suất từ 28% đến 60%/năm), nhóm hưu trí (sản phẩm SLP) và nhóm hộ kinh doanh cá thể (sản phẩm BC).
  • Mô hình và Phương pháp phân tích: Do biến phụ thuộc (khả năng phát sinh rủi ro tín dụng) là biến nhị phân (nhận giá trị 1 nếu khoản vay thuộc nhóm nợ 3, 4, 5 và nhận giá trị 0 nếu thuộc nhóm nợ đủ tiêu chuẩn 1, 2), tác giả lựa chọn mô hình hồi quy Probit thay vì phương pháp bình phương bé nhất (OLS) để tránh hiện tượng xác suất ước lượng vượt ra ngoài khoảng [0, 1]. Nghiên cứu sử dụng quy trình hồi quy từng bước (Stepwise Method), kết hợp kiểm định hệ số nhân tử phóng đại phương sai (VIF) nhằm loại trừ hiện tượng đa cộng tuyến và kiểm định Hosmer – Lemeshow để đánh giá mức độ phù hợp tổng thể của mô hình.
  • Khung thời gian nghiên cứu: Dữ liệu hoạt động kinh doanh giai đoạn 2015–2018 và hoàn thành xử lý kinh tế lượng trong năm 2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Kết quả ước lượng mô hình Probit với phương pháp Stepwise đã khẳng định cả 08 biến độc lập đưa vào mô hình đều có tác động có ý nghĩa thống kê đến rủi ro tín dụng của khách hàng đại chúng tại COM-B OCB:

  1. Tuổi tác của khách hàng (Tương quan âm): Khách hàng có độ tuổi cao hơn thể hiện xác suất vỡ nợ thấp hơn rõ rệt. Nhóm khách hàng trưởng thành có sự nghiệp ổn định và tính kỷ luật tài chính cao hơn nhóm khách hàng trẻ tuổi (dưới 25 tuổi).
  2. Trình độ học vấn (Tương quan âm): Khách hàng có trình độ học vấn từ cao đẳng, đại học trở lên có tỷ lệ hoàn trả nợ đúng hạn cao hơn so với nhóm có trình độ tiểu học hoặc trung cấp. Học vấn cao giúp gia tăng kỹ năng quản trị dòng tiền cá nhân và khả năng duy trì việc làm ổn định.
  3. Mức thu nhập hàng tháng (Tương quan âm): Khách hàng có mức thu nhập cao hơn mức sàn quy định (tối thiểu 3 triệu đồng/tháng) sở hữu đệm tài chính dự phòng tốt hơn trước các cú sốc chi tiêu bất ngờ, từ đó giảm đáng kể nguy cơ mất khả năng thanh toán.
  4. Kỳ hạn khoản vay (Tương quan âm): Các khoản vay trung hạn (từ 12 tháng đến 36 tháng) có xác suất nợ xấu thấp hơn các khoản vay ngắn hạn dưới 12 tháng. Kỳ hạn dài giúp phân bổ đều nghĩa vụ trả gốc và lãi theo từng tháng, giảm áp lực thanh khoản cục bộ.
  5. Giới tính (Tương quan dương): Khách hàng nam giới có xu hướng phát sinh nợ quá hạn và nợ xấu cao hơn khách hàng nữ giới, phù hợp với các quan sát về tính cẩn trọng trong chi tiêu của phụ nữ.
  6. Tình trạng hôn nhân (Tương quan dương): Trong phân khúc khách hàng đại chúng tại COM-B, nhóm khách hàng đã kết hôn lại có xác suất trễ hạn cao hơn nhóm độc thân do phải gánh vác nhiều nghĩa vụ tài chính gia đình phát sinh ngoài dự kiến.
  7. Dư nợ cho vay và Lãi suất cho vay (Tương quan dương): Quy mô khoản vay càng lớn (từ 50 đến 100 triệu đồng) và mức lãi suất thỏa thuận càng cao (lên tới 48% - 60%/năm) càng làm gia tăng gánh nặng lãi vay hàng kỳ, trực tiếp đẩy xác suất vỡ nợ của người vay lên cao.

Thảo luận kết quả

Kết quả phân tích định lượng tương thích với các nghiên cứu thực nghiệm quốc tế và trong nước như công trình của Roslan và Karim (2009), Kohansal và Mansoori (2009), Trương Đông Lộc và Nguyễn Thanh Bình (2011). Tuy nhiên, đề tài chỉ ra nét đặc thù tại COM-B OCB: đối với tín dụng tiêu dùng tín chấp vi mô, lãi suất cao vừa là nguồn bù đắp rủi ro vừa là nguyên nhân nội tại kích thích rủi ro đạo đức, khiến nợ quá hạn vượt mức 6,30% vào năm 2018.

Để phục vụ công tác quản trị điều hành, các kết quả này có thể được chuyển hóa trực quan thành bảng ma trận tương quan giữa các biến nhân khẩu học và biểu đồ phân bổ nợ xấu theo từng nhóm lãi suất. Việc xây dựng bảng tính tác động biên (Marginal Effects) giúp nhà quản trị ngân hàng nhận diện ngay xác suất tăng thêm của nợ xấu khi điều chỉnh tăng 1% lãi suất hoặc tăng 10 triệu đồng dư nợ cấp tín dụng.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp trọng tâm nhằm kiểm soát rủi ro tín dụng tại COM-B OCB:

  1. Chuẩn hóa quy trình chấm điểm tín dụng nội bộ theo đặc điểm nhân khẩu học:

    • Hành động: Tích hợp các biến số có ý nghĩa thống kê cao (độ tuổi, học vấn, thu nhập thực tế) vào hệ thống chấm điểm tự động (Credit Scoring Engine). Tăng cường trọng số rủi ro đối với phân khúc khách hàng trẻ tuổi, độc lập thẩm định thông tin thu nhập thay vì chỉ dựa trên bảng lương tự kê khai.
    • Chủ thể thực hiện: Trung tâm Vận hành phối hợp cùng Trung tâm Nghiên cứu & Phát triển.
    • Chỉ số mục tiêu & Thời gian: Giảm tỷ lệ phê duyệt sai nhóm khách hàng có rủi ro cao xuống dưới 5% trong vòng 12 tháng (giai đoạn 2019–2020).
  2. Áp dụng chính sách định giá theo mức độ rủi ro (Risk-Based Pricing) và tái cấu trúc hạn mức:

    • Hành động: Xóa bỏ chính sách cào bằng lãi suất cao (45% - 60%/năm). Thực hiện giảm lãi suất từ 3% - 5%/năm cho các khách hàng có lịch sử tín dụng CIC tốt và học vấn cao nhằm khuyến khích hoàn trả đúng hạn. Khống chế mức dư nợ tín chấp tối đa không vượt quá 5 lần thu nhập ròng hàng tháng.
    • Chủ thể thực hiện: Phòng Phát triển sản phẩm thuộc Trung tâm Kinh doanh.
    • Chỉ số mục tiêu & Thời gian: Hạ tỷ lệ nợ xấu của khối xuống dưới 4,5% trong 18 tháng.
  3. Cơ cấu lại kỳ hạn khoản vay và thiết kế lịch trả nợ linh hoạt:

    • Hành động: Khuyến khích khách hàng lựa chọn kỳ hạn vay trung hạn từ 18 đến 36 tháng đối với các khoản vay trên 30 triệu đồng nhằm làm giảm áp lực dòng tiền hàng tháng xuống dưới 30% tổng thu nhập của người vay.
    • Chủ thể thực hiện: Phòng Bán hàng trực tiếp và Phòng Bán hàng qua điện thoại.
    • Chỉ số mục tiêu & Thời gian: Nâng tỷ lệ khách hàng hoàn thành đúng nghĩa vụ kỳ hạn đầu tiên lên trên 95% từ quý 3/2019.
  4. Nâng cấp hệ thống cảnh báo sớm và tự động hóa xử lý thu hồi nợ:

    • Hành động: Ứng dụng thuật toán phân tích dữ liệu lớn để nhận diện sớm các dấu hiệu chậm trả nợ trước 15 ngày kể từ ngày đến hạn thanh toán. Tối ưu hóa quy trình nhắc nợ đa kênh (SMS, Voice Bot, telesales) tại Trung tâm Thu nợ & Phân tích rủi ro.
    • Chủ thể thực hiện: Trung tâm Công nghệ thông tin và Trung tâm Thu nợ OCB.
    • Chỉ số mục tiêu & Thời gian: Giảm chi phí trích lập dự phòng rủi ro từ mức 109,99 tỷ đồng xuống khoảng 80 tỷ đồng trong năm tài chính tiếp theo.

Đối tượng nên tham khảo luận văn

Luận văn mang giá trị ứng dụng thực tiễn cao và là tài liệu tham khảo giá trị cho các nhóm độc giả sau:

  • Cán bộ quản trị rủi ro và thẩm định tín dụng tại các ngân hàng thương mại: Giúp nắm bắt mô hình đánh giá định lượng năng lực trả nợ của khách hàng cá nhân, từ đó hoàn thiện cẩm nang thẩm định và tiêu chuẩn cấp hạn mức tín dụng tiêu dùng tín chấp.
  • Ban lãnh đạo và chuyên viên phát triển sản phẩm tài chính tiêu dùng (Consumer Finance): Cung cấp cơ sở khoa học để thiết kế các gói sản phẩm cho vay theo lương, lương hưu hoặc hộ kinh doanh với cơ chế định giá lãi suất và kỳ hạn tối ưu hóa lợi nhuận - rủi ro.
  • Nhà nghiên cứu, giảng viên và học viên cao học ngành Tài chính – Ngân hàng: Đóng vai trò là tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu ứng dụng mô hình hồi quy Probit/Logit trong đánh giá rủi ro tín dụng ngân hàng bán lẻ.
  • Cơ quan quản lý và thanh tra giám sát ngân hàng (NHNN): Cung cấp bức tranh thực tế về sự phát triển của khối khách hàng đại chúng và những rủi ro tiềm ẩn trong phân khúc cho vay dưới chuẩn, hỗ trợ xây dựng chính sách trần lãi suất và giới hạn an toàn tín dụng.

Câu hỏi thường gặp

Mô hình Probit có ưu thế gì vượt trội so với mô hình OLS trong đánh giá rủi ro tín dụng cá nhân?

Biến phụ thuộc đo lường khả năng vỡ nợ chỉ nhận hai giá trị nhị phân (0: trả đúng hạn, 1: nợ xấu). Phương pháp hồi quy tuyến tính OLS thông thường có thể tạo ra các giá trị xác suất ước lượng vô nghĩa nằm ngoài khoảng [0, 1] và vi phạm giả định phương sai phần dư không đổi. Mô hình Probit dựa trên hàm phân phối chuẩn tích lũy, đảm bảo giá trị xác suất luôn nằm trong khoảng 0 đến 1, mang lại kết quả ước lượng vững và chính xác hơn.

Tại sao kỳ hạn vay trung hạn (12–36 tháng) lại ít rủi ro hơn kỳ hạn ngắn hạn dưới 12 tháng trong cho vay tín chấp?

Trong cho vay tín chấp tiêu dùng, người vay thường trả nợ theo phương thức chia đều gốc và lãi hàng tháng. Với kỳ hạn ngắn dưới 12 tháng, số tiền phải trả mỗi kỳ chiếm tỷ trọng rất lớn trong thu nhập hàng tháng của khách hàng đại chúng (vốn có thu nhập chỉ từ 3 đến 5 triệu đồng/tháng), dễ dẫn đến mất khả năng thanh toán tạm thời. Kỳ hạn trung hạn giúp giãn đều nghĩa vụ trả nợ, tạo sự ổn định tài chính cho người vay.

Yếu tố nhân khẩu học nào phản ánh rủi ro tín dụng cao nhất trong tập mẫu nghiên cứu?

Kết quả ước lượng cho thấy nhóm khách hàng trẻ tuổi, có trình độ học vấn thấp và nam giới là những đối tượng có hệ số tác động làm tăng xác suất nợ xấu cao nhất. Nguyên nhân chủ yếu xuất phát từ sự thiếu ổn định trong việc làm, kỹ năng quản lý tài chính cá nhân còn hạn chế và mức độ kỷ luật thanh toán chưa cao so với nhóm khách hàng lớn tuổi hoặc nữ giới.

Tác động của việc đạt chuẩn Basel II đến công tác quản trị rủi ro tại COM-B OCB là gì?

Việc hoàn tất Basel II vào cuối năm 2018 buộc OCB phải nâng cao tiêu chuẩn trích lập dự phòng (đạt 109,99 tỷ đồng năm 2018) và tính toán tỷ lệ an toàn vốn (CAR) chặt chẽ hơn. Điều này tạo áp lực trực tiếp lên COM-B trong việc phải tái cơ cấu danh mục, dừng các sản phẩm cho vay rủi ro cao và chuyển dịch sang mô hình chấm điểm tín dụng hiện đại dựa trên dữ liệu.

Dữ liệu mẫu 638 khách hàng có bảo đảm tính đại diện cho toàn bộ danh mục của COM-B không?

Tập mẫu 638 khách hàng được lựa chọn ngẫu nhiên phân tầng từ cơ sở dữ liệu hơn 127.563 khách hàng đang có dư nợ thực tế tại thời điểm cuối năm 2018. Mẫu bao quát đầy đủ 3 phân khúc sản phẩm chủ lực (khách hàng nhận lương, hưu trí và kinh doanh) trải dài trên nhiều địa bàn trọng điểm, hoàn toàn đáp ứng các tiêu chuẩn thống kê về quy mô mẫu đại diện cho nghiên cứu kinh tế lượng ứng dụng.

Kết luận

  • Luận văn đã lượng hóa thành công tác động của 08 yếu tố then chốt (tuổi, giới tính, học vấn, hôn nhân, thu nhập, dư nợ, lãi suất, kỳ hạn) đến khả năng trả nợ vay tín chấp của khách hàng đại chúng tại COM-B OCB qua mô hình Probit.
  • Kết quả khẳng định khách hàng lớn tuổi, nữ giới, có học vấn cao, thu nhập tốt, vay dư nợ vừa phải, lãi suất hợp lý và kỳ hạn trung hạn có tỷ lệ trả nợ đúng hạn cao nhất.
  • Đề tài đóng góp hệ thống 4 nhóm giải pháp thực tiễn có tính ứng dụng cao cho OCB trong việc tái định giá rủi ro, hoàn thiện mô hình chấm điểm tín dụng và giảm áp lực nợ xấu từ mức 6,20% về ngưỡng an toàn.
  • Lộ trình triển khai khuyến nghị nên được OCB thực hiện theo từng quý trong giai đoạn 2019–2020, ưu tiên nâng cấp hệ thống cảnh báo sớm và siết chặt tiêu chí phê duyệt tự động.
  • Các tổ chức tín dụng tiêu dùng cần chủ động ứng dụng mô hình định lượng này vào hệ thống core-banking để tối ưu hóa quản trị rủi ro tín dụng và phát triển bền vững trong kỷ nguyên ngân hàng số.