Giới thiệu dự án

Hoạt động tín dụng bán lẻ tại hệ thống ngân hàng thương mại Việt Nam đang trải qua giai đoạn chuyển dịch mạnh mẽ nhằm gia tăng biên lợi nhuận ròng (Net Interest Margin - NIM) và mở rộng hệ sinh thái sản phẩm dịch vụ (bancassurance, thẻ tín dụng, ngân hàng số). Tuy nhiên, đi đôi với sự tăng trưởng dư nợ là áp lực kiểm soát rủi ro tín dụng (Credit Risk) và nợ xấu (Non-Performing Loans - NPL) theo các tiêu chuẩn phân loại nợ nghiêm ngặt của Ngân hàng Nhà nước (Thông tư 02/2013/TT-NHNN và Thông tư 39/2016/TT-NHNN).

Tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam – Chi nhánh Ba Tháng Hai (BIDV Ba Tháng Hai), phân khúc khách hàng cá nhân (KHCN) chiếm tỷ trọng lớn trong tổng danh mục cho vay. Mặc dù các khoản vay cá nhân có giá trị đơn lẻ phân tán, rủi ro không hoàn trả hoặc thanh toán trễ hạn vẫn tiềm ẩn do bất đối xứng thông tin (Information Asymmetry), biến động thu nhập người vay và các lỗ hổng trong kiểm tra giám sát sau giải ngân.

                  +----------------------------------------------+
                  | TẬP HỒ SƠ TÍN DỤNG KHÁCH HÀNG CÁ NHÂN (N=200) |
                  +----------------------------------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  |   TIỀN XỬ LÝ & LƯỢNG HÓA CÁC NHÂN TỐ ĐẦU VÀO  |
                  |  (NLTC, TSDB, LSVV, SDV, KTGS, KNCB)         |
                  +----------------------------------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  |  MÔ HÌNH HỒI QUY BINARY LOGISTIC TRÊN SPSS   |
                  |  - Kiểm định tương quan & đa cộng tuyến      |
                  |  - Ước lượng hợp lý cực đại (MLE)           |
                  |  - Kiểm định Hosmer-Lemeshow & Omnibus       |
                  +----------------------------------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  | ĐÁNH GIÁ XÁC SUẤT KHẢ NĂNG TRẢ NỢ ĐÚNG HẠN  |
                  | P(KNTN = 1) vs P(KNTN = 0)                   |
                  +----------------------------------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  | BỘ 7 NHÓM GIẢI PHÁP NÂNG CAO TỶ LỆ THU HỒI NỢ |
                  +----------------------------------------------+

Mục tiêu nghiên cứu

  1. Phân tích thực trạng tín dụng: Đánh giá kết quả kinh doanh, tình hình huy động vốn, tăng trưởng dư nợ và nợ quá hạn giai đoạn 2021–2023 tại BIDV Chi nhánh Ba Tháng Hai.
  2. Lượng hóa các yếu tố ảnh hưởng: Xây dựng mô hình kinh tế lượng xác định mức độ tác động của 6 biến số độc lập lên khả năng trả nợ đúng hạn ($KNTN$) của khách hàng cá nhân.
  3. Đề xuất giải pháp thực chứng: Thiết lập hệ thống 7 giải pháp nghiệp vụ giúp ngân hàng sàng lọc hồ sơ, tối ưu hóa công tác thẩm định và giảm tỷ lệ trễ hạn.

Phạm vi và giới hạn

  • Không gian: Ngân hàng TMCP Đầu tư và Phát triển Việt Nam – Chi nhánh Ba Tháng Hai.
  • Thời gian: Khảo sát dữ liệu thứ cấp giai đoạn 2021–2023; thu thập 200 hồ sơ vay tín chấp và thế chấp có dư nợ tính đến ngày 31/12/2023.
  • Giới hạn kỹ thuật: Nghiên cứu tập trung vào kỹ thuật ước lượng Binary Logistic Regression trên tập dữ liệu cắt (Cross-sectional data).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong quản trị rủi ro tín dụng ngân hàng bán lẻ, các phương pháp phân loại và dự báo khả năng vỡ nợ (Probability of Default - PD) đã phát triển qua nhiều giai đoạn với các đặc tính kỹ thuật khác nhau:

Phương pháp Ưu điểm Nhược điểm Phù hợp với đề tài
Mô hình xác suất tuyến tính (LPM) Dễ ước lượng bằng OLS, trực quan trong diễn giải hệ số. Xác suất dự báo có thể nằm ngoài khoảng $[0, 1]$; vi phạm giả định phương sai sai số thay đổi. Không
Phân tích hàm phân biệt (DA) Phân nhóm nhị phân nhanh chóng, tính toán ma trận đơn giản. Đòi hỏi các biến độc lập tuân theo phân phối chuẩn đa biến; nhạy cảm với ngoại lai. Không
Mô hình Hồi quy Probit Ràng buộc xác suất trong khoảng $[0, 1]$ dựa trên phân phối chuẩn tích lũy $\Phi(z)$. Diễn giải hệ số phức tạp, hàm mật độ dạng tích phân không có dạng đóng. Một phần
Mô hình Binary Logistic Không yêu cầu phân phối chuẩn của biến độc lập; dễ dàng diễn giải thông qua Tỷ số chênh (Odds Ratio - $Exp(B)$). Đòi hỏi cỡ mẫu đủ lớn để tối ưu hóa hàm Log-Likelihood; nhạy cảm với đa cộng tuyến. Tối ưu (Được chọn)

Ưu tiên yêu cầu theo khung MoSCoW

  • Must have: Lượng hóa chính xác mối quan hệ giữa biến phụ thuộc nhị phân $KNTN$ ($1 =$ Nhóm 1, $0 =$ Nhóm 2–5) với các chỉ số tài chính và phi tài chính; kiểm định độ tin cậy mô hình qua kiểm định Hosmer-Lemeshow và tỷ lệ dự báo chính xác (Overall Percentage).
  • Should have: Bóc tách tỷ số chênh lệch ($Exp(B)$) để xếp hạng mức độ ưu tiên của các yếu tố tác động.
  • Could have: Tích hợp quy tắc chấm điểm (Scoring logic) vào quy trình thẩm định trước phê duyệt.
  • Won't have: Xây dựng nền tảng chấm điểm tín dụng Real-time qua API core-banking (được định hướng cho các giai đoạn nâng cấp tiếp theo).

Thiết kế hệ thống

Mô hình hồi quy Logistic nhị phân (Binary Logistic Regression) được thiết lập nhằm ước lượng xác suất một khoản vay được thanh toán đúng hạn ($P_i$):

$$P(Y_i = 1 | X_i) = \frac{1}{1 + e^{-(\beta_0 + \sum_{j=1}^{k} \beta_j X_{ji})}} = \frac{e^{Z_i}}{1 + e^{Z_i}}$$

Phương trình hồi quy Logit có dạng tuyến tính đối với log của Odds:

$$\ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \beta_1 NLTC + \beta_2 TSDB + \beta_3 LSVV + \beta_4 SDV + \beta_5 KTGS + \beta_6 KNCB + \epsilon_i$$

+-----------------------------------------------------------------------------------+
|                            ĐẶC TẢ BIẾN SỐ TRONG MÔ HÌNH                           |
+------+----------------------+---------------------------------+-------------------+
| Mã   | Tên biến             | Cách thức đo lường              | Kỳ vọng dấu       |
+------+----------------------+---------------------------------+-------------------+
| KNTN | Khả năng trả nợ      | 1: Nhóm 1; 0: Nhóm 2 - Nhóm 5   | Biến phụ thuộc    |
| NLTC | Năng lực tài chính   | Vốn tự có / Tổng vốn xin vay    | (+) Dương         |
| TSDB | Tài sản đảm bảo      | Số tiền vay / Giá trị TSĐB      | (-) Âm            |
| LSVV | Lịch sử vay vốn      | 1: Đã từng quá hạn; 0: Không    | (-) Âm            |
| SDV  | Sử dụng vốn vay      | 1: Đúng mục đích; 0: Sai        | (+) Dương         |
| KTGS | Kiểm tra, giám sát   | Số lần kiểm tra sau giải ngân   | (+) Dương         |
| KNCB | Kinh nghiệm cán bộ   | Số năm công tác tín dụng        | (+) Dương         |
+------+----------------------+---------------------------------+-------------------+

Technology Stack & Data Schema

  • Phân tích dữ liệu & Kinh tế lượng: IBM SPSS Statistics phiên bản 20.0 (hỗ trợ kiểm định nhị thức, Maximum Likelihood Estimation, ma trận tương quan Pearson).
  • Môi trường bổ trợ / Validation: Python 3.10 với các thư viện statsmodels.api v0.14.0, scikit-learn v1.3.0, pandas v2.1.0.
  • Cơ sở dữ liệu mẫu: Lưu trữ lược đồ dữ liệu 200 bản ghi dưới dạng bảng quan hệ:
CREATE TABLE CreditCustomerProfile (
    CustomerID VARCHAR(20) PRIMARY KEY,
    LoanAmount DECIMAL(15,2) NOT NULL,
    EquityAmount DECIMAL(15,2) NOT NULL,
    CollateralValue DECIMAL(15,2) NOT NULL,
    NLTC DECIMAL(5,4) GENERATED ALWAYS AS (EquityAmount / LoanAmount) STORED,
    TSDB DECIMAL(5,4) GENERATED ALWAYS AS (LoanAmount / CollateralValue) STORED,
    PastOverdueFlag TINYINT(1) DEFAULT 0,
    ProperUsageFlag TINYINT(1) DEFAULT 1,
    MonitoringCount INT DEFAULT 0,
    OfficerExperienceYears INT NOT NULL,
    LoanStatusGroup TINYINT(1) NOT NULL -- 1: Standard, 0: Non-standard
);

Methodology

Tiến trình nghiên cứu được thực thi thông qua quy trình chuẩn 7 giai đoạn:

            v
[GĐ 7: Đề xuất hàm ý chính sách]
  • Xác định cỡ mẫu tối thiểu: Theo nguyên tắc của Green (1991) và Nguyễn Đình Thọ (2012), cỡ mẫu hồi quy tối thiểu thỏa mãn: $N \ge 8p + 50$ (với $p = 6$ biến độc lập, $N_{min} = 8 \times 6 + 50 = 98$). Nghiên cứu thu thập $N = 200$ mẫu, đảm bảo độ tin cậy thống kê và tránh hiện tượng chệch mẫu do mẫu nhỏ trong ước lượng MLE.

Implementation và kết quả

Development process

Dữ liệu từ 200 hồ sơ khách hàng cá nhân tại BIDV Ba Tháng Hai được chuẩn hóa và thực hiện các bước xử lý theo cú pháp lập trình phân tích:

import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import classification_report, roc_auc_score

# 1. Load và cấu trúc dữ liệu
df = pd.read_csv("bidv_credit_data_200.csv")
X = df[['NLTC', 'TSDB', 'LSVV', 'SDV', 'KTGS', 'KNCB']]
y = df['KNTN']

# 2. Bổ sung hệ số chặn (Constant)
X_const = sm.add_constant(X)

# 3. Ước lượng Binary Logistic Regression bằng phương pháp MLE
logit_model = sm.Logit(y, X_const)
result = logit_model.fit(method='newton', maxiter=100)

# 4. Hiển thị kết quả ước lượng
print(result.summary())

Testing và validation

Kiểm định ma trận tương quan và hiện tượng đa cộng tuyến

Ma trận tương quan giữa các biến độc lập cho thấy hệ số tương quan cặp dao động dưới ngưỡng $0.7$, chỉ số chấp nhận (Tolerance) $> 0.1$ và hệ số phóng đại phương sai $VIF < 2.5$, khẳng định không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.

Kiểm định mức độ phù hợp tổng thể của mô hình

  • Omnibus Tests of Model Coefficients: Giá trị Chi-square $= 114.28$ với bậc tự do $df = 6$, mức ý nghĩa $Sig. = 0.000 < 0.01$, chứng minh rằng kết hợp 6 biến độc lập giải thích biến phụ thuộc tốt hơn đáng kể so với mô hình rỗng.
  • Chỉ số -2 Log Likelihood: Giá trị đạt $92.45$, giảm mạnh so với mô hình gốc ban đầu ($218.60$).
  • Hệ số xác định: Cox & Snell $R^2 = 0.435$; Nagelkerke $R^2 = 0.618$ (mô hình giải thích được $61.8%$ sự biến thiên của khả năng trả nợ đúng hạn).
  • Kiểm định Hosmer and Lemeshow: Chi-square $= 6.142$, $p\text{-value} = 0.631 > 0.05$, chấp nhận giả thuyết $H_0$ (mô hình khớp tốt với dữ liệu thực tế).
+-----------------------------------------------------------------------+
|                BẢNG PHÂN LOẠI DỰ BÁO (CLASSIFICATION TABLE)           |
+------------------------------------+----------------------------------+
| Thực tế quan sát                   | Dự đoán theo mô hình Logistic    |
|                                    | Trễ hạn (0)     | Đúng hạn (1)   | Tỷ lệ chính xác (%) |
+------------------------------------+-----------------+----------------+---------------------+
| Nhóm trễ hạn (KNTN = 0, N=58)      | 44              | 14             | 75.9%               |
| Nhóm đúng hạn (KNTN = 1, N=142)    | 8               | 134            | 94.4%               |
+------------------------------------+-----------------+----------------+---------------------+
| Tỷ lệ dự báo chính xác tổng thể    |                 |                | 89.0%               |
+------------------------------------+----------------------------------+---------------------+

Kết quả đạt được

Kết quả chạy hồi quy Binary Logistic trên SPSS 20.0 xác định được 5 biến có ý nghĩa thống kê ($p < 0.05$):

Biến số Ký hiệu Hệ số hồi quy ($B$) Sai số chuẩn ($S.E.$) Giá trị Wald Mức ý nghĩa ($Sig.$) Tỷ số chênh $Exp(B)$
Năng lực tài chính $NLTC$ $+2.418$ $0.812$ $8.868$ 0.003 $11.223$
Tài sản đảm bảo $TSDB$ $-3.105$ $0.945$ $10.796$ 0.001 $0.045$
Lịch sử vay vốn $LSVV$ $-0.452$ $0.438$ $1.065$ 0.302 $0.636$
Sử dụng vốn vay $SDV$ $+1.895$ $0.521$ $13.230$ 0.000 $6.653$
Kiểm tra giám sát $KTGS$ $+0.684$ $0.231$ $8.767$ 0.003 $1.982$
Kinh nghiệm cán bộ $KNCB$ $+0.215$ $0.089$ $5.836$ 0.016 $1.240$
Hằng số $Constant$ $-1.124$ $0.645$ $3.036$ $0.081$ $0.325$

Phương trình Logit thực nghiệm hoàn chỉnh:

$$\ln\left(\frac{\hat{P}}{1 - \hat{P}}\right) = -1.124 + 2.418 NLTC - 3.105 TSDB + 1.895 SDV + 0.684 KTGS + 0.215 KNCB$$

Phân tích chi tiết tác động của các nhân tố:

  1. Năng lực tài chính ($NLTC$, $B = 2.418, Sig. = 0.003, Exp(B) = 11.223$): Khi tỷ lệ vốn tự có tham gia vào phương án vay tăng lên, xác suất trả nợ đúng hạn của khách hàng tăng gấp 11.22 lần. Khách hàng có năng lực tài chính mạnh ít bị tổn thương trước các cú sốc dòng tiền.
  2. Tài sản đảm bảo ($TSDB$, $B = -3.105, Sig. = 0.001, Exp(B) = 0.045$): Biến $TSDB$ đo bằng tỷ số $\text{Số tiền vay} / \text{Giá trị TSĐB}$. Hệ số âm mang ý nghĩa: khi tỷ lệ đòn bẩy trên tài sản thế chấp càng cao (tài sản bảo đảm mỏng), nguy cơ trễ hạn càng lớn. Việc yêu cầu giá trị bảo đảm vượt trội làm tăng trách nhiệm hoàn trả nợ của khách hàng.
  3. Sử dụng vốn vay ($SDV$, $B = 1.895, Sig. = 0.000, Exp(B) = 6.653$): Khách hàng giải ngân và sử dụng nguồn vốn đúng mục đích cam kết có xác suất trả nợ đúng hạn cao gấp 6.65 lần so với nhóm khách hàng sử dụng vốn sai mục đích.
  4. Kiểm tra, giám sát ($KTGS$, $B = 0.684, Sig. = 0.003, Exp(B) = 1.982$): Mỗi lần cán bộ tín dụng thực hiện kiểm tra thực tế định kỳ sau giải ngân, xác suất duy trì nợ đúng hạn tăng 98.2%.
  5. Kinh nghiệm cán bộ tín dụng ($KNCB$, $B = 0.215, Sig. = 0.016, Exp(B) = 1.240$): Mỗi năm thâm niên làm việc trong mảng tín dụng của cán bộ phụ trách giúp nâng tỷ lệ an toàn của hồ sơ lên 24.0%.
  6. Lịch sử vay vốn ($LSVV$, $Sig. = 0.302 > 0.05$): Biến số không có ý nghĩa thống kê trong mẫu khảo sát này do BIDV Ba Tháng Hai đã sàng lọc và loại bỏ phần lớn khách hàng có lịch sử nợ xấu trên hệ thống CIC ngay từ vòng nộp hồ sơ.

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và thực tiễn quan trọng, giải quyết các khoảng trống của những nghiên cứu trước tại địa bàn đô thị loại 1:

+-----------------------------------------------------------------------------------+
|               SO SÁNH MÔ HÌNH VỚI CÁC CÔNG TRÌNH NGHIÊN CỨU TIỀN NHIỆM            |
+----------------------+--------------------+--------------------+------------------+
| Tiêu chí             | Phan Đình Khôi     | Bùi Hữu Phước      | Đề tài BIDV      |
|                      | & cs (2017)        | & cs (2018)        | Ba Tháng Hai     |
+----------------------+--------------------+--------------------+------------------+
| Địa bàn nghiên cứu   | Hậu Giang (Nông    | Kiên Giang (Đô thị | TP.HCM (Trung    |
|                      | nghiệp/Nông thôn)  | biển/Du lịch)      | tâm kinh tế lớn) |
| Phương pháp          | Logit nhị thức +   | Logit nhị thức +   | Binary Logistic  |
|                      | Đa thức            | Đa thức            | tối ưu hóa       |
| Cỡ mẫu khảo sát      | 316 khách hàng     | 120 khách hàng     | 200 hồ sơ chuẩn  |
| Độ chính xác tổng    | 81.2%              | 84.5%              | **89.0%**        |
| Đa cộng tuyến (VIF)  | Không công bố      | Chưa kiểm tra sâu  | Đạt chuẩn VIF<2.5|
+----------------------+--------------------+--------------------+------------------+

Đóng góp thực tiễn nổi bật

  • Định lượng hóa biến số quản lý sau giải ngân: Khác với các nghiên cứu truyền thống chỉ tập trung vào biến nhân khẩu học (tuổi, học vấn), đề tài chứng minh vai trò quyết định của công tác giám sát sau vay ($KTGS, Exp(B) = 1.982$) và năng lực chuyên môn của nhân sự ($KNCB, Exp(B) = 1.240$).
  • Khung tham chiếu thẩm định: Cung cấp công thức toán học giúp BIDV Ba Tháng Hai tính toán trực tiếp điểm xác suất vỡ nợ cho từng hồ sơ vay vốn cá nhân trước khi cấp tín dụng.

Ứng dụng thực tế và triển khai

Kịch bản áp dụng tại quy trình tín dụng BIDV

   +----------------------------------------------------------+

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí thực thi: Chi phí đào tạo cán bộ tín dụng và tích hợp mô hình phân tích vào hệ thống đánh giá nội bộ ước tính khoảng 150 – 200 triệu VNĐ.
  • Lợi ích định lượng:
    • Giảm tỷ lệ nợ quá hạn từ mức đỉnh $1.8%$ xuống dưới $0.9%$ danh mục cho vay bán lẻ.
    • Tiết giảm chi phí trích lập dự phòng rủi ro cụ thể hàng năm từ 1.2 – 2.0 tỷ VNĐ tại quy mô chi nhánh.
    • Thời gian hoàn vốn đầu tư (Payback Period) dưới 3 tháng.

Lộ trình triển khai 4 giai đoạn

+-----------------------------------------------------------------------------------+
| LỘ TRÌNH 4 GIAI ĐOẠN TRIỂN KHAI HỆ THỐNG KIỂM SOÁT TÍN DỤNG TẠI CHI NHÁNH         |
+-----------------------------------------------------------------------------------+
| Giai đoạn 1 (Tháng 1-2): Hoàn thiện quy chuẩn dữ liệu hồ sơ và kiểm tra CIC      |
| Giai đoạn 2 (Tháng 3-4): Áp dụng công thức Logit tính điểm thử nghiệm cho 100 hồ sơ|
| Giai đoạn 3 (Tháng 5-8): Ban hành quy chế chuẩn hóa tần suất KTGS và đào tạo CBTD |
| Giai đoạn 4 (Tháng 9-12): Đánh giá kiểm toán danh mục nợ và tối ưu hóa hệ số     |
+-----------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

  • Giới hạn không gian dữ liệu: Mẫu nghiên cứu ($N=200$) được thu thập tại một chi nhánh duy nhất (BIDV Ba Tháng Hai, TP.HCM), phản ánh đặc thù kinh tế đô thị, chưa đại diện cho toàn bộ các chi nhánh vùng ven hoặc nông thôn.
  • Biến số vĩ mô: Mô hình chưa tích hợp các biến trễ kinh tế vĩ mô như biến động lãi suất điều hành, chỉ số lạm phát (CPI) hoặc tỷ lệ thất nghiệp do dữ liệu cắt tại một thời điểm (Cross-sectional data).
  • Hướng mở rộng:
    • Mở rộng mẫu khảo sát lên $N \ge 1,000$ hồ sơ trên toàn hệ thống khu vực TP.HCM.
    • Ứng dụng các thuật toán học máy hiện đại (XGBoost, Random Forest, LightGBM) để xử lý dữ liệu phi cấu trúc và xây dựng mô hình chấm điểm tín dụng hành vi (Behavioral Scoring).

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                             MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI                           |
+-----------------------+-----------------------------------------------------------+
| Nhóm đối tượng        | Giá trị thực tế mang lại                                  |
+-----------------------+-----------------------------------------------------------+
| **Sinh viên / HV**    | Cung cấp bộ khung phương pháp luận nghiên cứu định lượng   |
|                       | chuẩn mực với mô hình Binary Logistic và cú pháp thực thi.|
| **Cán bộ tín dụng**   | Nhận diện nhanh 5 chỉ báo rủi ro cốt lõi để tập trung     |
|                       | thẩm định nguồn vốn tự có và định giá chuẩn xác TSĐB.     |
| **Lãnh đạo Ngân hàng**| Công cụ quản trị rủi ro danh mục, thiết lập cơ chế giám   |
|                       | sát sau vay và phân bổ chỉ tiêu tín dụng hiệu quả.        |
| **Khách hàng cá nhân**| Được hướng dẫn minh bạch về hồ sơ tài chính, kế hoạch sử   |
|                       | dụng vốn để gia tăng cơ hội tiếp cận hạn mức vay ưu đãi.  |
+-----------------------+-----------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình chấm điểm này tại ngân hàng là gì?

Chi nhánh chỉ cần máy trạm trang bị phần mềm SPSS Statistics v20+ hoặc môi trường Python 3.8+ (hỗ trợ pandas, statsmodels, scikit-learn) cùng cơ sở dữ liệu bảng tính lưu trữ đầy đủ 6 chỉ tiêu đầu vào của hồ sơ khách hàng.

2. Giới hạn phân loại của mô hình Logistic trong bài nghiên cứu là bao nhiêu?

Mô hình sử dụng ngưỡng phân loại chuẩn (Cut-off value) $c = 0.5$. Khách hàng có xác suất $\hat{P} \ge 0.5$ được dự báo thuộc nhóm trả nợ đúng hạn (Nhóm 1); khách hàng có $\hat{P} < 0.5$ được phân vào nhóm rủi ro trễ hạn (Nhóm 2–5).

3. Tại sao biến Lịch sử vay vốn (LSVV) lại không có ý nghĩa thống kê trong mô hình?

Do BIDV thực hiện quy trình kiểm tra CIC bắt buộc nghiêm ngặt ở bước sơ tuyển. Khách hàng có nợ xấu lịch sử (Nhóm 3–5 trên CIC) gần như bị từ chối ngay lập tức, dẫn đến độ phân tán của biến $LSVV$ trong mẫu giải ngân thực tế bị thu hẹp, khiến biến này không đạt mức ý nghĩa $p < 0.05$.

4. Chi nhánh cần điều chỉnh tần suất kiểm tra giám sát (KTGS) như thế nào để tối ưu?

Theo kết quả hồi quy ($B = 0.684, Exp(B) = 1.982$), ngân hàng nên duy trì tối thiểu 2–3 lần kiểm tra định kỳ sau giải ngân trong năm đầu tiên đối với các khoản vay tiêu dùng/kinh doanh để kiểm soát mục đích sử dụng vốn.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào việc cải thiện tỷ lệ thu hồi nợ?

Ngân hàng cần ưu tiên nâng cao tỷ lệ vốn đối ứng tự có của khách hàng ($NLTC$), định giá tài sản thế chấp thận trọng nhằm hạ thấp tỷ số $\text{Vay}/\text{TSĐB}$ ($TSDB$), đồng thời phân công các cán bộ tín dụng giàu kinh nghiệm phụ trách các khoản vay lớn.

Kết luận

Khóa luận tốt nghiệp của tác giả Đoàn Kim Thoa đã giải quyết thành công bài toán định lượng các yếu tố chi phối khả năng trả nợ đúng hạn của khách hàng cá nhân tại BIDV Chi nhánh Ba Tháng Hai. Bằng phương pháp hồi quy Binary Logistic trên mẫu 200 hồ sơ thực tế, nghiên cứu đã chứng minh rằng: Năng lực tài chính ($NLTC$), Việc sử dụng vốn đúng mục đích ($SDV$), Tần suất kiểm tra giám sát ($KTGS$) và Kinh nghiệm cán bộ tín dụng ($KNCB$) có tác động tích cực mạnh mẽ, trong khi Tỷ lệ vay trên tài sản đảm bảo ($TSDB$) có tác động nghịch chiều đến khả năng hoàn trả nợ đúng hạn.

Kết quả nghiên cứu cung cấp cơ sở khoa học vững chắc giúp ban lãnh đạo BIDV Ba Tháng Hai hoàn thiện quy trình thẩm định tín dụng bán lẻ, giảm thiểu rủi ro nợ xấu và nâng cao chất lượng tài sản sinh lời trong kỷ nguyên số hóa ngân hàng.