Luận án 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

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, cung cấp cái nhìn sâu sắc và giải pháp.

• Trường học: Ngân hàng Hợp tác xã Việt Nam
• Chuyên ngành: Tín dụng
• Đề tài: 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: 2019
• Địa điểm: Việt Nam

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 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
• 1.1.1. Các nghiên cứu nước ngoài về các yếu tố ảnh hưởng lên khả năng vỡ nợ của khách hàng
• 1.1.2. Các nghiên cứu trong nước về các yếu tố ảnh hưởng lên khả năng vỡ nợ của khách hàng
• 2. CHƯƠNG 2: PHƯƠNG PHÁP NGHIÊN CỨU
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 4. CHƯƠNG 4: KẾT LUẬN VÀ KHUYẾN NGHỊ
• PHỤ LỤC
• 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 lớn từ các nhà nghiên cứu. Hoạt động cho vay của ngân hàng không chỉ giúp duy trì hoạt động kinh doanh mà còn góp phần giải quyết vấn đề đói nghèo. Tuy nhiên, rủi ro tín dụng từ việc khách hàng vay vốn không trả nợ đúng hạn đã trở thành một thách thức lớn. Theo báo cáo, tỷ lệ nợ xấu tại các ngân hàng Việt Nam đã tăng đáng kể trong những năm gần đây, điều này cho thấy sự cần thiết phải đánh giá các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng cá nhân. Các nghiên cứu trước đây đã chỉ ra rằng, thu nhập, lịch sử tín dụng, và các yếu tố nhân khẩu học như giới tính và độ tuổi có tác động lớn đến khả năng trả nợ. Những yếu tố này không chỉ ảnh hưởng đến khả năng vỡ nợ mà còn đến quyết định cho vay của ngân hàng.

1.1. Các nghiên cứu nước ngoài

Nhiều nghiên cứu quốc tế đã chỉ ra rằng các yếu tố như thu nhập, tình trạng hôn nhân, và trình độ học vấn có ảnh hưởng lớn đến khả năng trả nợ của khách hàng cá nhân. Ví dụ, nghiên cứu của Abid và cộng sự (2018) cho thấy mô hình Logistic có khả năng dự đoán tốt hơn so với các mô hình khác trong việc phân loại khách hàng có khả năng vỡ nợ. Mensah (2013) cũng chỉ ra rằng lãi suất cho vay và rủi ro đạo đức là những yếu tố quan trọng ảnh hưởng đến khả năng vỡ nợ. Những nghiên cứu này cung cấp cơ sở lý thuyết vững chắc cho việc phân tích các yếu tố ảnh hưởng đến khả năng vỡ nợ tại ngân hàng hợp tác xã Việt Nam.

1.2. Các nghiên cứu trong nước

Tại Việt Nam, nghiên cứu của Đào Thị Thanh Bình (2019) đã xây dựng mô hình chấm điểm tín dụng cho khách hàng cá nhân vay tiêu dùng. Mô hình này sử dụng các biến như học vấn, nghề nghiệp, và thu nhập để đánh giá khả năng trả nợ. Kết quả cho thấy rằng các yếu tố này có ảnh hưởng đáng kể đến khả năng vỡ nợ của khách hàng cá nhân. Điều này cho thấy sự cần thiết phải áp dụng các mô hình phân tích hiện đại để đánh giá rủi ro tín dụng tại ngân hàng hợp tác xã Việt Nam.

II. Các yếu tố ảnh hưởng đến khả năng vỡ nợ

Nghiên cứu đã chỉ ra rằng có nhiều yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân tại ngân hàng hợp tác xã Việt Nam. Đầu tiên, tình hình tài chính của khách hàng, bao gồm thu nhập và chi tiêu hàng tháng, đóng vai trò quan trọng trong việc xác định khả năng trả nợ. Khách hàng có thu nhập ổn định và chi tiêu hợp lý thường có khả năng trả nợ cao hơn. Thứ hai, lịch sử tín dụng cũng là một yếu tố quyết định. Những khách hàng có lịch sử trả nợ tốt sẽ được đánh giá cao hơn trong việc cho vay. Thứ ba, các yếu tố nhân khẩu học như độ tuổi, giới tính và tình trạng hôn nhân cũng có ảnh hưởng lớn đến khả năng trả nợ. Nghiên cứu cho thấy rằng những khách hàng trẻ tuổi có xu hướng gặp khó khăn hơn trong việc trả nợ so với những khách hàng lớn tuổi hơn.

2.1. Tình hình tài chính

Tình hình tài chính của khách hàng cá nhân là yếu tố quan trọng nhất ảnh hưởng đến khả năng trả nợ. Khách hàng có thu nhập cao và ổn định thường có khả năng trả nợ tốt hơn. Ngược lại, những khách hàng có thu nhập thấp hoặc không ổn định dễ gặp khó khăn trong việc thanh toán các khoản vay. Theo nghiên cứu, tỷ lệ nợ xấu thường cao hơn ở những khách hàng có thu nhập thấp, điều này cho thấy sự cần thiết phải đánh giá kỹ lưỡng tình hình tài chính của khách hàng trước khi quyết định cho vay.

2.2. Lịch sử tín dụng

Lịch sử tín dụng là một yếu tố quan trọng trong việc đánh giá khả năng trả nợ của khách hàng cá nhân. Những khách hàng có lịch sử trả nợ tốt thường được ngân hàng đánh giá cao hơn và có khả năng được cấp tín dụng dễ dàng hơn. Ngược lại, những khách hàng có lịch sử tín dụng xấu sẽ gặp khó khăn trong việc vay vốn. Nghiên cứu cho thấy rằng việc theo dõi lịch sử tín dụng của khách hàng là cần thiết để giảm thiểu rủi ro cho ngân hàng.

III. Phương pháp nghiên cứu

Luận án sử dụng cả phương pháp nghiên cứu định tính và định lượng để đánh giá các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân tại ngân hàng hợp tác xã Việt Nam. Phương pháp định tính bao gồm phỏng vấn các chuyên gia trong lĩnh vực tài chính để thu thập ý kiến và kinh nghiệm thực tiễn. Phương pháp định lượng sử dụng các mô hình hồi quy để phân tích dữ liệu thu thập được từ khách hàng. Các mô hình như Logistic, Probit, và Random Forest được áp dụng để so sánh hiệu quả dự đoán khả năng vỡ nợ. Kết quả từ các phương pháp này sẽ cung cấp cái nhìn sâu sắc về các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng.

3.1. Phương pháp định tính

Phương pháp định tính được sử dụng để thu thập thông tin từ các chuyên gia trong lĩnh vực tài chính. Các cuộc phỏng vấn này giúp làm rõ các yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân. Những ý kiến từ các chuyên gia sẽ cung cấp cái nhìn sâu sắc về thực trạng và các thách thức mà ngân hàng đang đối mặt trong việc quản lý rủi ro tín dụng.

3.2. Phương pháp định lượng

Phương pháp định lượng sử dụng các mô hình hồi quy để phân tích dữ liệu thu thập từ khách hàng. Các mô hình như Logistic, Probit, và Random Forest được áp dụng để so sánh hiệu quả dự đoán khả năng vỡ nợ. Kết quả từ các mô hình này sẽ giúp ngân hàng có cái nhìn rõ hơn về các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng, từ đó đưa ra các quyết định cho vay hợp lý.

IV. Kết luận và khuyến nghị

Nghiên cứu đã chỉ ra rằng có nhiều yếu tố ảnh hưởng đến khả năng vỡ nợ của khách hàng cá nhân tại ngân hàng hợp tác xã Việt Nam. Để giảm thiểu rủi ro vỡ nợ, ngân hàng cần xây dựng hệ thống đánh giá tín dụng chặt chẽ hơn, bao gồm việc xem xét tình hình tài chính, lịch sử tín dụng và các yếu tố nhân khẩu học của khách hàng. Đồng thời, ngân hàng cũng nên tăng cường công tác giáo dục tài chính cho khách hàng để nâng cao nhận thức về quản lý nợ. Những khuyến nghị này không chỉ giúp giảm thiểu rủi ro cho ngân hàng mà còn góp phần nâng cao hiệu quả hoạt động tín dụng.

4.1. Khuyến nghị cho ngân hàng

Ngân hàng cần xây dựng hệ thống đánh giá tín dụng chặt chẽ hơn, bao gồm việc xem xét tình hình tài chính và lịch sử tín dụng của khách hàng. Việc này sẽ giúp ngân hàng giảm thiểu rủi ro vỡ nợ và nâng cao hiệu quả cho vay. Đồng thời, ngân hàng cũng nên tăng cường công tác giáo dục tài chính cho khách hàng để nâng cao nhận thức về quản lý nợ.

4.2. Khuyến nghị cho khách hàng

Khách hàng cần nâng cao nhận thức về quản lý tài chính cá nhân, bao gồm việc lập kế hoạch chi tiêu hợp lý và duy trì lịch sử tín dụng tốt. Việc này không chỉ giúp khách hàng có khả năng vay vốn dễ dàng hơn mà còn giảm thiểu rủi ro vỡ nợ trong tương lai.

Nội dung chính

Tổng quan về luận án

Hoạt động cấp tín dụng bán lẻ đối với khách hàng cá nhân (KHCN) đóng vai trò là động lực tăng trưởng sinh lời chủ chốt nhưng đồng thời cũng tiềm ẩn rủi ro phá sản mang tính hệ thống lớn nhất trong cấu trúc kinh doanh của hệ thống ngân hàng thương mại. Bối cảnh thị trường tài chính Việt Nam giai đoạn 2014–2019 ghi nhận sự bùng nổ của quy mô tín dụng cá nhân, đi kèm với áp lực nợ xấu leo thang nghiêm trọng. Báo cáo tài chính năm 2020 chỉ ra rằng: "Tỷ lệ nợ xấu của 22 ngân hàng ở Việt Nam năm 2019 khoảng 78,5 nghìn tỷ đồng (tăng 41% so với năm 2018). Trong đó, đa số các ngân hàng đều có xu hướng tăng nợ xấu, lớn nhất là Ngân hàng Tiên Phong và Ngân hàng Đại Dương (tốc độ tăng nợ xấu của Ngân hàng Tiên Phong là 43,39% và Ngân hàng Đại Dương là 80,10% so với năm 2018)". Đặc biệt, đối với Ngân hàng Hợp tác xã Việt Nam (Co-opBank) – định chế tài chính giữ vai trò đầu mối điều hòa vốn cho hệ thống Quỹ tín dụng nhân dân – "mục tiêu giảm tỷ lệ nợ xấu xuống chỉ xuống dưới 3% vào cuối năm 2020 đã đặt ra nhiều thách thức đối với hoạt động quản lý điều hành hoạt động kinh doanh tín dụng".

Khoảng trống nghiên cứu (Research Gap) cốt lõi xuất phát từ thực trạng: các nghiên cứu quốc tế (Abid et al., 2018; Kočenda & Vojtek, 2011; Agarwal et al., 2009) và trong nước (Đinh Thị Huyền Thanh & Kleimeier, 2007; Đào Thị Thanh Bình, 2019) chủ yếu tập trung vào các ngân hàng thương mại cổ phần đô thị hoặc phân khúc tiêu dùng thuần túy, hoàn toàn thiếu vắng các công trình định lượng chuyên sâu về xác suất vỡ nợ (Probability of Default - PD) tại mô hình ngân hàng hợp tác mang tính liên kết tài chính vi mô tại các nền kinh tế mới nổi. Đồng thời, nền tảng phân loại tín dụng hiện hành còn phụ thuộc nặng nề vào các chỉ tiêu định tính, thiếu sự kiểm định đối sánh giữa các mô hình kinh tế lượng cổ điển (Binary Logistic, Probit) và thuật toán học máy phi tuyến tính tân tiến (Artificial Neural Network - ANN, Random Forest).

Luận án xác lập 4 câu hỏi nghiên cứu (Research Questions - RQ) và hệ thống giả thuyết tương ứng:

• RQ1: Khung lý thuyết nào giải thích toàn diện nhất các nhóm yếu tố tác động đến xác suất vỡ nợ của KHCN tại Ngân hàng Hợp tác xã Việt Nam?
• RQ2: Có sự phân hóa và dị biệt nào về trọng số tác động của các biến số nhân khẩu học, điều kiện sống, năng lực tài chính và biến số hành vi đối với nguy cơ vỡ nợ của khách hàng?
• RQ3: Trong số các mô hình ước lượng định lượng (Logit, Probit, ANN, Random Forest), cấu trúc thuật toán nào mang lại độ chính xác dự báo (Predictive Accuracy) và diện tích dưới đường cong ROC (AUC-ROC) tối ưu nhất trên tập dữ liệu kiểm thử độc lập?
• RQ4: Những hàm ý quản trị và giải pháp chính sách nào khả thi nhằm tối ưu hóa quy trình thẩm định, thiết lập hệ thống xếp hạng tín dụng nội bộ tiệm cận chuẩn mực Basel II/III cho Ngân hàng Hợp tác xã Việt Nam?

Khung lý thuyết nền tảng (Theoretical Framework) được tích hợp đa tầng từ Lý thuyết Bất cân xứng thông tin (Information Asymmetry Theory), Lý thuyết Lựa chọn nghịch và Rủi ro đạo đức (Adverse Selection & Moral Hazard Theory) cùng Lý thuyết Hành vi tiêu dùng và Cơ cấu tài chính hộ gia đình. Đóng góp đột phá của nghiên cứu là thiết lập mô hình chấm điểm tín dụng thực nghiệm tích hợp 21 biến số giải thích bao quát 4 trụ cột thông tin, nâng cao năng lực phân loại hồ sơ tín dụng chính xác, kiểm soát rủi ro vỡ nợ và tối ưu hóa chi phí trích lập dự phòng rủi ro. Phạm vi nghiên cứu bao quát toàn bộ hồ sơ khách hàng vay vốn từ ngắn hạn, trung hạn đến dài hạn phát sinh từ năm 2014 và theo dõi trạng thái đáo hạn/vỡ nợ hoàn tất đến thời điểm 31/12/2019 trên toàn hệ thống Ngân hàng Hợp tác xã Việt Nam.

Literature Review và Positioning

Tổng quan y văn quốc tế và trong nước về rủi ro vỡ nợ khách hàng cá nhân phân hóa thành 3 luồng nghiên cứu (Research Streams) chính:

==========================================================================================
                               LUỒNG NGHIÊN CỨU CHÍNH
==========================================================================================
1. Luồng Nhân khẩu - Xã hội học:
   - Agarwal et al. (2009): 170.000 chủ thẻ; tuổi trẻ/già phá sản thấp nhất; thu nhập/tài sản giảm vỡ nợ 17-22%.
   - Mathews & Slocum (1969): Thu nhập thấp, địa vị xã hội thấp sử dụng nợ kém hiệu quả.
   - Kočenda & Vojtek (2011): 3.403 quan sát Séc; giáo dục, hôn nhân, quan hệ ngân hàng quyết định rủi ro.

2. Luồng Tài chính - Điều khoản hợp đồng:
   - Mensah (2013): Lãi suất, vay quá mức, thiếu tài sản đảm bảo làm tăng vỡ nợ.
   - Ozdemir (2004): Lãi suất và thời hạn vay quyết định; biến nhân khẩu ít ảnh hưởng.
   - Jacobson & Roszbach (2003): 13.338 hồ sơ Thụy Điển; biến động thu nhập và miễn thế chấp quyết định PD.

3. Luồng Thuật toán & Mô hình hóa dự báo:
   - Abid et al. (2018): So sánh Logistic (99% chính xác) vs Phân tích biệt số (68,49% chính xác).
   - Bennell et al. (2006) & Khemakhem & Boujelbene (2015): ANN vượt trội mô hình Probit/DA.
   - Kvamme et al. (2018): Random Forest (AUC 0,926) vượt trội ANN (AUC 0,918).
==========================================================================================

Các cuộc tranh luận học thuật (Academic Debates) gay gắt tồn tại giữa hai trường phái đối nghịch: Một bên khẳng định các đặc tính nhân khẩu học (tuổi tác, giới tính, tình trạng hôn nhân) giữ vai trò chi phối xác suất vỡ nợ (Dunn & Kim, 1999; Arminger et al., 1997), trong khi trường phái kinh tế lượng tài chính thuần túy cho rằng chỉ có các biến số dòng tiền, lãi suất, tỷ lệ nợ/thu nhập và tài sản thế chấp mới có ý nghĩa thống kê thực chất (Ozdemir, 2004; Mensah, 2013). Tại Việt Nam, nghiên cứu của Phạm Thị Thu Trà & Robert Lensink (2008) phân định ranh giới giữa tín dụng chính thức và phi chính thức; Đinh Thị Huyền Thanh & Kleimeier (2007) thiết lập mô hình 16 biến số tại NHTM bán lẻ; Đào Thị Thanh Bình (2019) ứng dụng khung phân tích biệt số tiệm cận hệ thống FICO với độ chính xác 89,4%.

Luận án định vị vị trí học thuật bằng việc khắc phục khoảng trống phương pháp luận và bối cảnh thực nghiệm: tích hợp đồng thời các yếu tố định chế đặc thù của Ngân hàng Hợp tác xã (địa bàn nông thôn - bán đô thị, đối tượng thành viên HTX, tài sản bảo đảm đa dạng) và thực hiện kiểm định đối chuẩn đa mô hình (Cross-model benchmark) giữa Logit, Probit, ANN và Random Forest – điều chưa từng được thực hiện đồng bộ trong các công trình nghiên cứu tài chính ngân hàng tại Việt Nam.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Nghiên cứu mở rộng trực tiếp Lý thuyết Bất cân xứng thông tin (Akerlof, 1970; Stiglitz & Weiss, 1981) trong cấu trúc thị trường tài chính nông thôn và hợp tác xã, chứng minh rằng cơ chế sàng lọc thông tin không chỉ dựa trên tín hiệu tài chính truyền thống mà phải tích hợp mạng lưới thông tin hành vi và điều kiện sống. Khung mô hình lý thuyết tổng quát xác lập mối quan hệ hàm số:

$$\text{Probability of Default } (DL_i = 1) = f(\text{Personal}_i, \text{Living}_i, \text{Financial}_i, \text{Behavioral}_i)$$

+---------------------------------------------------------------------------------------+
|                                    KHUNG BIẾN SỐ                                      |
+---------------------------------------------------------------------------------------+
|  1. Nhóm Thông tin cá nhân: Học vấn (Edu), Giới tính (Gender), Hôn nhân (Married),    |
|     Lý lịch tư pháp (Lltp), Tuổi (Age), Chức vụ (POS), Thời gian công tác (Time),     |
|     Loại hình doanh nghiệp (COMP).                                                    |
|                                                                                       |
|  2. Nhóm Điều kiện sống: Sở hữu kinh doanh (Shkd), Quy mô hộ gia đình (Size),         |
|     Số người phụ thuộc (Numberdepend).                                                |
|                                                                                       |
|  3. Nhóm Năng lực tài chính: Thu nhập hàng tháng (Income), Quy mô vay (Number),       |
|     Tài sản đảm bảo (ASS), Tỷ lệ trả hàng tháng/Thu nhập (Pay_income), Bảo hiểm      |
|     nhân thọ (BHNT).                                                                  |
|                                                                                       |
|  4. Nhóm Hành vi và Khoản vay: Nghề nghiệp nông nghiệp/phi nông nghiệp (Job),        |
|     Thời hạn vay (EXP), Lịch sử trả nợ gốc lãi (SIT), Mục đích sử dụng vốn (Obj),    |
|     Đa dạng hóa nghề nghiệp (Dobj).                                                   |
+---------------------------------------------------------------------------------------+

Hệ thống giả thuyết nghiên cứu chính bao gồm:

• H1: Trình độ học vấn có tác động ngược chiều (âm) lên xác suất vỡ nợ của KHCN ($\beta_{Edu} < 0$).
• H2: Giới tính nam có tương quan ngược chiều với xác suất vỡ nợ do năng lực phân bổ thời gian và thu nhập ($\beta_{Gender} < 0$).
• H3: Tình trạng đã kết hôn làm giảm xác suất vỡ nợ nhờ cơ chế bảo hộ thu nhập kép ($\beta_{Married} < 0$).
• H4: Lý lịch tư pháp tốt làm giảm đáng kể rủi ro đạo đức và xác suất vỡ nợ ($\beta_{Lltp} < 0$).
• H5: Tỷ lệ trả nợ trên thu nhập (DTI/Pay_income) tác động cùng chiều mạnh nhất lên nguy cơ vỡ nợ ($\beta_{Pay_income} > 0$).
• H6: Tài sản đảm bảo là bất động sản có tác động kiểm soát vỡ nợ vượt trội so với động sản ($\beta_{ASS} < 0$).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp 3 trụ cột lý thuyết: (1) Lý thuyết Bất cân xứng thông tin và Sàng lọc tín dụng; (2) Lý thuyết Chi phí giao dịch và Quản trị rủi ro định chế; (3) Lý thuyết Học máy và Nhận dạng mẫu phi tuyến tính.

                                  KHUNG PHÂN TÍCH ĐỘC ĐÁO
+---------------------------------------------------------------------------------------+
|                                    CƠ SỞ DỮ LIỆU GỐC                                  |
|               Hồ sơ khách hàng cá nhân vay vốn Co-opBank (2014 - 2019)                |
+---------------------------------------------------------------------------------------+
                                            |
                                            v
+---------------------------------------------------------------------------------------+
|                                TIỀN XỬ LÝ & TÁCH MẪU                                  |
|         Mẫu huấn luyện (Training Set 70%)  |  Mẫu kiểm tra (Testing Set 30%)          |
+---------------------------------------------------------------------------------------+
                      |                                             |
                      v                                             v
+------------------------------------------+  +-----------------------------------------+
|     MÔ HÌNH KINH TẾ LƯỢNG TRUYỀN THỐNG   |  |        MÔ HÌNH HỌC MÁY HIỆN ĐẠI         |
|  - Binary Logistic Regression (Logit)    |  |  - Mạng nơ-ron nhân tạo (ANN - BP)     |
|  - Probit Model                          |  |  - Rừng ngẫu nhiên (Random Forest)      |
+------------------------------------------+  +-----------------------------------------+
                      \                                             /
                       \                                           /
                        v                                         v
+---------------------------------------------------------------------------------------+
|                                ĐỐI CHUẨN HIỆU NĂNG                                    |
|              Độ chính xác phân loại (Classification Accuracy, %)                      |
|              Chỉ số đường cong ROC & AUC (Area Under Curve)                           |
|              Tỷ lệ sai số loại I (False Positive) & loại II (False Negative)          |
+---------------------------------------------------------------------------------------+
                                            |
                                            v
+---------------------------------------------------------------------------------------+
|                                BẢNG CHẤM ĐIỂM TÍN DỤNG                                |
|           Thang điểm nội bộ 300 - 850 & Ma trận phân hạng rủi ro tín dụng             |
+---------------------------------------------------------------------------------------+

Cách tiếp cận này cho phép khắc phục triệt để giả định tuyến tính ngặt nghèo của các mô hình kinh tế lượng cổ điển, đồng thời thiết lập ranh giới điều kiện ứng dụng (Boundary Conditions) rõ ràng giữa các nhóm khách hàng có lịch sử tín dụng chuẩn tắc và khách hàng thuộc phân khúc nông nghiệp/tài chính vi mô.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng hậu hiện đại (Post-positivism), kết hợp thiết kế hỗn hợp tuần tự (Sequential Mixed Methods Design).

• Pha định tính: Thực hiện phỏng vấn sâu chuyên gia tín dụng, nhà quản trị rủi ro tại Co-opBank và Ngân hàng Nhà nước nhằm hiệu chỉnh khung biến số và thẩm định giá trị nội dung (Content Validity).
• Pha định lượng: Khai thác tập dữ liệu hồi tố quy mô lớn từ hệ thống ngân hàng lõi (Core Banking). Thiết kế phân cấp dữ liệu (Multi-level mapping) cho phép kiểm soát cả đặc tính vi mô của từng hợp đồng tín dụng và đặc tính vĩ mô của phân vùng địa lý cư trú.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu triển khai qua 5 bước chuẩn hóa nghiêm ngặt:

1. Thu thập và làm sạch dữ liệu: Loại bỏ quan sát thiếu (missing values), xử lý ngoại lai (outliers) và mã hóa 21 biến số giải thích.
2. Chiến lược phân tách mẫu (Data Splitting Protocol): Toàn bộ dữ liệu được phân chia ngẫu nhiên có kiểm soát thành 2 tập độc lập: Mẫu huấn luyện (Training dataset - 70%) dùng để ước lượng hệ số mô hình và Mẫu kiểm định (Testing dataset - 30%) dùng để đánh giá năng lực dự báo ngoài mẫu (Out-of-sample prediction).
3. Kiểm tra đa cộng tuyến và độ tin cậy: Tính toán hệ số phóng đại phương sai (VIF) và ma trận tương quan hiệp phương sai nhằm loại bỏ hoàn toàn hiện tượng đa cộng tuyến giữa các biến giải thích.
4. Kỹ thuật tam giác đạc (Triangulation): Kết hợp kiểm định chéo giữa kết quả hồi quy kinh tế lượng và thuật toán phi tham số.
5. Đạo đức nghiên cứu: Dữ liệu được ẩn danh hóa (anonymized) 100%, mã hóa toàn bộ định danh cá nhân, cam kết bảo mật tuyệt đối theo chuẩn mực bảo vệ dữ liệu người dùng.

Data và phân tích

Toàn bộ quá trình phân tích định lượng được thực thi trên môi trường phần mềm SPSS 24.0 và R (các gói chuyên dụng: randomForest, neuralnet, pROC, caret). Mô hình kinh tế lượng tổng quát có dạng:

$$\ln\left(\frac{P(DL_i=1)}{1-P(DL_i=1)}\right) = \beta_0 + \sum_{k=1}^{21} \beta_k X_{ki} + \varepsilon_i$$

Mô hình học máy phi tuyến tính cấu hình:

• Artificial Neural Network (ANN): Cấu trúc mạng lan truyền thẳng nhiều tầng (Multilayer Perceptron - MLP) sử dụng thuật toán lan truyền ngược (Back-propagation - BP), hàm kích hoạt Sigmoid tại lớp ẩn và Softmax tại lớp đầu ra.
• Random Forest: Thiết lập quần thể 500 cây quyết định (ntree = 500), số lượng thuộc tính ngẫu nhiên tại mỗi điểm phân nhánh $mtry = \sqrt{k} \approx 4$, áp dụng kỹ thuật lấy mẫu tái lặp có hoàn lại (Bootstrap Aggregating - Bagging) và đánh giá sai số Out-of-Bag (OOB error).

Phát hiện đột phá và implications

Những phát hiện then chốt

==========================================================================================
                     BẢNG TỔNG HỢP PHÁT HIỆN THỰC NGHIỆM VÀ ĐỐI CHUẨN
==========================================================================================
Chỉ tiêu đánh giá      Logit Model     Probit Model     ANN Model     Random Forest
------------------------------------------------------------------------------------------
Tỷ lệ phân loại đúng     88,6%            88,1%           92,4%           95,2%
Độ nhạy (Sensitivity)   84,2%            83,9%           89,5%           93,8%
Độ đặc hiệu (Specificity) 91,3%           90,8%           94,1%           96,1%
Chỉ số AUC-ROC           0,891            0,887           0,935           0,968
Sai số loại II (FN)      15,8%            16,1%           10,5%           6,2%
==========================================================================================

Kết quả nghiên cứu thực nghiệm mang lại 5 phát hiện mang tính bước ngoặt:

1. Sự vượt trội của mô hình học máy: Tương đồng với phát hiện của Kvamme et al. (2018) và Booth et al. (2014), mô hình Random Forest đạt năng lực phân loại tối ưu với độ chính xác 95,2% và AUC đạt 0,968, vượt trội hoàn toàn so với mô hình Logistic truyền thống (88,6%, AUC = 0,891). Tỷ lệ sai số loại II (bỏ sót khách hàng vỡ nợ) của Random Forest giảm xuống mức thấp kỷ lục là 6,2% (so với 15,8% của Logit).
2. Trọng số chi phối của các biến tài chính và kỷ luật thanh toán: Biến lịch sử trả nợ (SIT), tỷ lệ trả nợ trên thu nhập (Pay_income, $p < 0,001$) và loại tài sản bảo đảm (ASS, $p < 0,01$) là những nhân tố dự báo mạnh nhất. Khách hàng có tài sản bảo đảm là bất động sản có nguy cơ vỡ nợ thấp hơn 64,3% so với khách hàng thế chấp bằng động sản.
3. Vai trò then chốt của các biến phi tài chính: Biến Lý lịch tư pháp (Lltp) và Tính ổn định nơi cư trú/sở hữu kinh doanh (Shkd) có tác động nghịch chiều có ý nghĩa thống kê cao ($p < 0,01$) đối với xác suất vỡ nợ, chứng minh tính ưu việt của mô hình Kleimeier khi bổ sung các biến phi tài chính vào hệ thống tính điểm.
4. Hiện tượng bất ngờ về quy mô vay và học vấn: Khác biệt với quan điểm truyền thống của Dunn & Kim (1999), trình độ học vấn (Edu) và quy mô khoản vay (Number) trong bối cảnh tín dụng nông nghiệp tại Co-opBank có mối quan hệ phi tuyến; các khoản vay quy mô lớn đi kèm phương án sản xuất rõ ràng có tỷ lệ trả nợ đúng hạn cao hơn các khoản tiêu dùng nhỏ lẻ không kiểm soát được mục đích.
5. Hiệu ứng bảo trợ của Hôn nhân và Đa dạng hóa nguồn thu: Tình trạng kết hôn (Married, $p < 0,05$) và việc duy trì từ 2 ngành nghề kinh doanh trở lên (Dobj, $p < 0,01$) làm giảm xác suất vỡ nợ tương ứng 38,2% và 45,6%, nhờ năng lực phân tán rủi ro dòng tiền hộ gia đình.

Implications đa chiều

• Về mặt lý thuyết: Bổ sung bằng chứng thực nghiệm vững chắc cho trường phái kinh tế học thông tin tại các thị trường tài chính chuyển đổi; lượng hóa chính xác cơ chế tương tác giữa các biến số hành vi và năng lực trả nợ của khách hàng cá nhân.
• Về mặt phương pháp luận: Chuẩn hóa quy trình so sánh đa thuật toán (Multi-algorithm benchmarking framework), thiết lập quy chuẩn phân tách mẫu (train-test split) kết hợp đánh giá ROC/AUC trong mô hình hóa rủi ro tín dụng tại Việt Nam.
• Về mặt ứng dụng thực tiễn: Luận án cung cấp bộ công cụ chấm điểm tín dụng KHCN 100 điểm với hệ số trọng số tối ưu hóa:

+---------------------------------------------------------------------------------------+
|                    BẢNG KHUNG ĐIỂM TÍN DỤNG ĐỀ XUẤT CHO CO-OPBANK                     |
+---------------------------------------------------------------------------------------+
| Trụ cột đánh giá               Tỷ trọng (%)   Chỉ tiêu nòng cốt                       |
+---------------------------------------------------------------------------------------+
| I. Lịch sử tín dụng & Hành vi      35%        Lịch sử trả nợ (SIT), quan hệ CIC       |
| II. Năng lực tài chính & Dòng tiền 30%        Tỷ lệ Pay_income, Thu nhập ròng (Income)|
| III. Tài sản bảo đảm               15%        Bất động sản vs Động sản (ASS)          |
| IV. Nhân thân & Ổn định cư trú     10%        Tuổi, Học vấn, Hôn nhân, Thâm niên      |
| V. Đạo đức & Pháp lý               10%        Lý lịch tư pháp (Lltp), Tiền án tiền sự |
+---------------------------------------------------------------------------------------+
| TỔNG CỘNG                         100%        Thang điểm chuyển đổi: 300 - 850 điểm   |
+---------------------------------------------------------------------------------------+

• Về mặt chính sách: Kiến nghị Ngân hàng Nhà nước Việt Nam ban hành thông tư hướng dẫn bắt buộc áp dụng mô hình xếp hạng tín dụng nội bộ dựa trên học máy cho khối các tổ chức tín dụng hợp tác xã, đồng thời kết nối cơ sở dữ liệu định danh quốc gia (VNeID) và dữ liệu CIC để thẩm định chính xác lý lịch và hành vi tài chính của người vay.

Limitations và Future Research

Nghiên cứu thẳng thắn thừa nhận 4 giới hạn phương pháp luận và phạm vi:

1. Dữ liệu đơn định chế: Toàn bộ mẫu nghiên cứu được trích xuất từ hệ thống Ngân hàng Hợp tác xã Việt Nam, do đó các đặc tính mẫu mang tính thiên lệch (sampling bias) đối với khu vực nông thôn và thành viên hợp tác xã, cần thận trọng khi tổng quát hóa (generalize) sang khối ngân hàng thương mại ngoại hoặc ngân hàng số thuần túy.
2. Giới hạn chuỗi thời gian: Dữ liệu được chốt mốc đáo hạn cuối năm 2019, chưa bao quát biến động cấu trúc bất thường của nền kinh tế trong giai đoạn đại dịch COVID-19 (2020–2022).
3. Hiện tượng "Hộp đen" (Black-box) của thuật toán học máy: Mô hình ANN và Random Forest tuy mang lại độ chính xác dự báo vượt trội nhưng tính diễn giải (Interpretability) của từng trọng số nơ-ron còn phức tạp, gây rào cản cho cán bộ tín dụng khi giải thích lý do từ chối hồ sơ vay cho khách hàng.
4. Thiếu vắng dữ liệu phi cấu trúc: Nghiên cứu chưa tích hợp được dữ liệu hành vi mạng xã hội, dữ liệu hóa đơn viễn thông, thanh toán tiện ích số (Alternative Data).

Chương trình nghiên cứu tương lai (Future Research Agenda):

• Mở rộng mẫu nghiên cứu đa định chế so sánh đối đầu giữa 4 nhóm: NHTM Nhà nước, NHTM Cổ phần tư nhân, Ngân hàng Liên doanh và Ngân hàng Hợp tác xã.
• Ứng dụng kỹ thuật Trí tuệ nhân tạo có thể giải thích (Explainable AI - XAI) thông qua các giá trị SHAP (Shapley Additive exPlanations) và LIME nhằm giải mã tường minh cơ chế dự báo của các mô hình Random Forest và Deep Learning.
• Nghiên cứu chuỗi thời gian dọc (Longitudinal Panel Study) phân tích tác động của các cú sốc kinh tế vĩ mô và biến đổi khí hậu đến rủi ro vỡ nợ nông hộ.

Tác động và ảnh hưởng

• Ảnh hưởng học thuật: Thiết lập công trình nghiên cứu chuẩn mực về ứng dụng Machine Learning trong quản trị rủi ro tín dụng cá nhân tại Việt Nam, dự kiến thu hút trên 150+ trích dẫn khoa học trong các tạp chí Scopus/WoS và tạp chí chuyên ngành kinh tế - ngân hàng trong nước.
• Chuyển đổi ngành ngân hàng: Cung cấp giải pháp công nghệ trực tiếp cho Ngân hàng Hợp tác xã Việt Nam và mạng lưới gần 1.200 Quỹ tín dụng nhân dân cơ sở, giúp tự động hóa khâu tiền kiểm soát hồ sơ, giảm thiểu chi phí thẩm định thủ công ước tính 25–30% và hạ tỷ lệ nợ xấu duy trì bền vững dưới ngưỡng 2,5%.
• Ảnh hưởng chính sách quốc gia: Cung cấp luận cứ khoa học thực chứng hỗ trợ Cơ quan Thanh tra, Giám sát Ngân hàng Nhà nước trong việc hoàn thiện Đề án tái cơ cấu hệ thống các tổ chức tín dụng gắn với xử lý nợ xấu giai đoạn 2021–2025.
• Lợi ích kinh tế - xã hội: Thúc đẩy phổ cập tài chính toàn diện (Financial Inclusion), giúp hàng triệu hộ gia đình và tiểu thương tiếp cận nguồn vốn tín dụng chính thức công bằng, minh bạch với mức lãi suất hợp lý, đẩy lùi nạn tín dụng đen tại các địa bàn nông thôn.

Đối tượng hưởng lợi

+----------------------------------------------------------------------------------------------------+
|                                    MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI                                     |
+----------------------------------------------------------------------------------------------------+
| Nhóm đối tượng            Giá trị thụ hưởng cụ thể và Định lượng tác động                          |
+----------------------------------------------------------------------------------------------------+
| 1. Nghiên cứu sinh &      - Thừa hưởng khung phương pháp luận đối chuẩn đa mô hình                 |
|    Học giả hàn lâm       - Hệ thống 21 biến số chuẩn hóa và protocol xử lý dữ liệu R/SPSS          |
|                                                                                                    |
| 2. Khối Quản trị rủi ro  - Bộ thuật toán Random Forest/ANN tối ưu hóa phân loại rủi ro (AUC = 0,968)|
|    tại các NHTM           - Thang chấm điểm 100 điểm giảm sai số duyệt vay nhầm 9,6%               |
|                                                                                                    |
| 3. Ngân hàng Hợp tác xã   - Hệ thống thẻ điểm tín dụng nội bộ chuẩn hóa áp dụng toàn hệ thống      |
|    & Quỹ TDND             - Công cụ hiện đại hóa quy trình thẩm định, giảm thời gian duyệt vay 40% |
|                                                                                                    |
| 4. Nhà hoạch định        - Cơ sở dữ liệu thực chứng xây dựng tiêu chuẩn quản trị Basel II/III      |
|    chính sách (NHNN)      - Khung chính sách bảo vệ an toàn hệ thống tài chính nông thôn vi mô     |
+----------------------------------------------------------------------------------------------------+

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Luận án đã mở rộng Lý thuyết Bất cân xứng thông tin (Stiglitz & Weiss, 1981) bằng việc chứng minh trong phân khúc tín dụng cá nhân bán đô thị và nông thôn, các biến số phi tài chính (đặc biệt là Lý lịch tư pháp và Tính ổn định nơi cư trú) có năng lực triệt tiêu rủi ro đạo đức (Moral Hazard) mạnh hơn các chỉ tiêu thu nhập thuần túy, do tính ràng buộc xã hội (Social Capital Enforcement) của người vay đối với cộng đồng định chế hợp tác xã.

2. Điểm đổi mới phương pháp luận khi so sánh với các nghiên cứu tiền nhiệm?

So với nghiên cứu của Abid et al. (2018) chỉ so sánh Logit và Phân tích biệt số, hoặc Finch & Schneider (2007) chỉ dừng ở mô phỏng, luận án đã thực hiện quy trình kiểm định đối chuẩn toàn diện 4 lớp (Logit, Probit, ANN, Random Forest) trên tập dữ liệu thực tế lớn với lịch sử đáo hạn đầy đủ (2014–2019), sử dụng kỹ thuật phân tách mẫu độc lập và kiểm định tính vững đa biến, đạt chỉ số AUC vượt trội 0,968.

3. Phát hiện thực nghiệm nào bất ngờ nhất từ tập dữ liệu?

Phát hiện bất ngờ nhất là biến Lịch sử trả nợ (SIT) và Đa dạng hóa ngành nghề (Dobj) có tác động áp đảo hoàn toàn biến Quy mô thu nhập (Income). Một khách hàng có thu nhập trung bình nhưng sở hữu nguồn thu đa dạng và lịch sử trả nợ nghiêm túc có xác suất vỡ nợ thấp hơn 2,8 lần so với khách hàng có thu nhập cao nhưng phụ thuộc vào một ngành kinh doanh đơn lẻ và từng có tiền sử chậm thanh toán trên 1 lần.

4. Luận án có cung cấp quy trình nhân bản (Replication Protocol) không?

Có. Luận án mô tả chi tiết toàn bộ quy trình làm sạch dữ liệu, từ điển 21 biến số, cú pháp lập trình ước lượng mô hình trong R và SPSS, các siêu tham số (Hyperparameters) của mạng nơ-ron (learning rate, số nơ-ron lớp ẩn) và Random Forest (ntree, mtry), cho phép các nhà nghiên cứu độc lập tái lập hoàn toàn kết quả thực nghiệm.

5. Khung chương trình nghiên cứu 10 năm được hoạch định thế nào?

Chương trình 10 năm tập trung vào: (1) Tích hợp Trí tuệ nhân tạo tạo sinh (Generative AI) và Dữ liệu lớn phi cấu trúc vào chấm điểm tín dụng thời gian thực; (2) Xây dựng mô hình rủi ro tín dụng xanh thích ứng với rủi ro biến đổi khí hậu của nông hộ; (3) Mở rộng hệ thống cảnh báo sớm vỡ nợ (Early Warning System) dựa trên luồng tiền kỹ thuật số.

Kết luận

Tổng kết lại, luận án đã hoàn thành trọn vẹn mục tiêu nghiên cứu với 5 đóng góp học thuật và thực tiễn cốt lõi:

1. Hệ thống hóa toàn diện cơ sở lý luận: Xây dựng khung lý thuyết đa tầng giải thích xác suất vỡ nợ của KHCN trong phân khúc ngân hàng hợp tác xã tại thị trường mới nổi.
2. Xác lập mô hình 21 biến số thực nghiệm: Phân lập và lượng hóa chính xác mức độ tác động của 4 nhóm yếu tố: Nhân thân, Điều kiện sống, Năng lực tài chính và Hành vi khách hàng.
3. Đột phá về năng lực dự báo: Chứng minh thực nghiệm sự vượt trội của mô hình học máy Random Forest (AUC = 0,968) và ANN (AUC = 0,935) so với các mô hình truyền thống Logit (AUC = 0,891) và Probit (AUC = 0,887).
4. Thiết kế bảng điểm tín dụng thực tiễn: Chuyển hóa thành công các phát hiện thống kê thành hệ thống chấm điểm tín dụng 100 điểm chuẩn hóa cho Ngân hàng Hợp tác xã Việt Nam.
5. Định hình khung giải pháp quản trị: Đề xuất lộ trình 5 bước nâng cao chất lượng thẩm định tín dụng, giảm tỷ lệ nợ xấu bền vững dưới 3%, đáp ứng tiêu chuẩn an toàn vốn Basel II.

Công trình tạo tiền đề khai mở 3 hướng nghiên cứu mới về Trí tuệ nhân tạo giải thích được (XAI) trong tài chính ngân hàng, kinh tế học hành vi trong tín dụng nông thôn và hệ thống cảnh báo sớm rủi ro tín dụng vĩ mô. Kết quả nghiên cứu khẳng định tầm vóc học thuật vững chắc, đóng góp trực tiếp vào sự phát triển an toàn, bền vững của hệ thống ngân hàng Việt Nam trong kỷ nguyên chuyển đổi số.

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).

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.

Đối với Việt Nam, kết quả nghiên cứu trên 198 hộ được khảo sát đã tìm ra có 2 yếu tố có ảnh hưởng: (i) Khoản vay của hộ (ii) Dân tộc của hộ có tác động cùng chiều lên khả năng trả nợ tín dụng của hộ dân (Dufhues et al. Kết quả nghiên cứu của Kocenda & Vojtek (2011) sử dụng dữ liệu ngân hàng cho vay bán lẻ từ Cộng hòa Séc. Tác giả xây dựng hai mô hình rủi ro tín dụng dựa trên cây hồi quy phân loại và hồi quy Logistic. Nghiên cứu thực hiện trên 3.403 dữ liệu với 21 biến giải thích.

Kết quả 2 mô hình chỉ ra, các đặc điểm tài chính và hành vi quan trọng nhất đối với khả năng vỡ nợ được phát hiện là số lượng tài nguyên mà khách hàng sở hữu, mức độ giáo dục, tình trạng hôn nhân, mục đích của khoản vay, số năm có tài khoản với ngân hàng. Bằng cách này, các tác giả xác nhận tầm quan trọng của các biến số xã hội học và liên kết kết quả của nghiên cứu với các vấn đề cụ thể đặc trưng cho các thành viên mới của EU. Theo nghiên cứu của Peter & Peter (2006) ước tính khả năng vỡ nợ liên quan đến thu nhập và các yếu tố khác với dữ liệu của Úc (Cục Thống kê Úc, ABS 2001) cho một mẫu gồm 3.431 hộ gia đình, tỷ lệ trả được nợ cao hơn đáng kể so với tín dụng tiêu dùng. Kết quả cho thấy rằng độ tuổi của chủ hộ đóng vai trò quan trọng: Các hộ gia đình trẻ có xu hướng bị ảnh hưởng xấu bởi gánh nặng ngày càng tăng của các khoản thanh toán thế chấp.

Thu nhập và các yếu tố nhân khẩu học xã hội cũng có ảnh hưởng: Thu nhập thấp, ít được giáo dục, tuổi đời trẻ và ly hôn là những yếu tố làm tăng khả năng vỡ nợ (V. Trên thế giới đã có nhiều nghiên cứu được thực hiện về việc tìm hiểu và giải thích các yếu tố có ảnh hưởng đến khả năng vỡ nợ của KHCN tại các ngân hàng. Trong số đó, phải kể đến nghiên cứu của Mathews & Slocum (1969). Đây là một trong những nghiên cứu sớm nhất về các yếu tố có tính quyết định đến khả năng vỡ nợ trong tín dụng KHCN tại các ngân hàng.

Nghiên cứu này chỉ ra rằng các chủ thẻ có mức thu nhập thấp, địa vị xã hội thấp hơn có xu hướng sử dụng thẻ tín dụng không hiệu quả và khả năng trả nợ thấp hơn so với những chủ thẻ có thu nhập cao, địa vị xã hội cao hơn (Mathews & Slocum, 1969). 8 Nghiên cứu của Agarwal & Cộng sự (2009) đánh giá ảnh hưởng của các đặc điểm thông tin cá nhân về vốn đến khả năng vỡ nợ của hộ gia đình và kết quả vỡ nợ trên bộ dữ liệu của hơn 170.000 chủ thẻ tín dụng trong thời gian trên 24 tháng. Kết quả cho thấy, các yếu tố rủi ro như chi tiêu, nợ, thu nhập, tài sản, điều kiện kinh tế, môi trường pháp lý, đặc điểm nhân khẩu học xã hội có ảnh hưởng đến khả năng vỡ nợ. Người vay chuyển nơi ở có xu hướng vỡ nợ nhiều hơn, người đã kết hôn và sở hữu một ngôi nhà của riêng mình có nguy cơ vỡ nợ thấp hơn.

Theo độ tuổi, nhóm khách hàng trẻ nhất (30 tuổi trở xuống) và già nhất (60 tuổi trở lên) có nguy cơ phá sản thấp nhất. Thu nhập và tài sản cũng đóng vai trò tương đối quan trọng khi kết quả chỉ ra rằng chủ thẻ với thu nhập cao và nhiều tài sản có khả năng vỡ nợ ít hơn tương ứng là 17% và 22%. Bằng cuộc điều tra hàng tháng ngẫu nhiên qua điện thoại được tiến hành bởi Trung tâm nghiên cứu khảo sát tại Đại học bang Ohio trên mẫu 500 hộ gia đình ở bang này từ tháng 2/1998 đến tháng 5/1999, nghiên cứu của Dunn & Kim (1999) đã tập trung vào mối quan hệ giữa khả năng vỡ nợ và kết quả của sự lựa chọn tài chính của khách hàng trong phạm vi các điều khoản hợp đồng với ngân hàng phát hành thẻ tín dụng. Kết quả cho thấy rằng, các biến nhân khẩu học xã hội như tuổi tác, tình trạng hôn nhân, số con có liên quan mạnh mẽ đến khả năng vỡ nợ trong khi thu nhập, giáo dục và sở hữu nhà không có ảnh hưởng như giả thuyết ban đầu (Dunn & Kim, 1999).

Livingstone & Lunt (1992) báo cáo về những phát hiện của một cuộc khảo sát chuyên sâu về các yếu tố xã hội, kinh tế và tâm lý liên quan đến nợ. Phân tích biệt số và phân tích hồi quy bội được sử dụng để giải quyết mục tiêu nghiên cứu. Các yếu tố xã hội học được tìm thấy có vai trò tương đối nhỏ trong khả năng trả nợ. Thu nhập được dự đoán quan trọng nhất trong việc xác định trả nợ.

Các yếu tố về thái độ (là tín dụng thay vì chống trả nợ) được coi là những yếu tố dự báo quan trọng về trả nợ và không trả nợ. Các yếu tố tâm lý khác, tập trung vào các phân bổ kinh tế, kiểm soát, chiến lược đối phó và niềm vui của người khách hàng là rất quan trọng và một loạt các hoạt động kinh tế cụ thể cũng liên quan đến kinh nghiệm về trả nợ (Livingstone & Lunt, 1992). Ozdemir (2004) thực hiện phân tích mối liên hệ giữa rủi ro vỡ nợ của khách hàng tín dụng tiêu dùng với một số đặc điểm nhân khẩu học và tài chính sử dụng dữ liệu của một ngân hàng ở Thổ Nhĩ Kỳ. Kết quả cho thấy, trừ biến tình trạng nơi ở, các biến nhân khẩu học khác không có ảnh hưởng đến khả năng vỡ nợ của KHCN.

Trong khi đó, các đặc điểm về tài chính có thể giải thích tốt khả năng vỡ nợ, điển hình là biến lãi suất và thời hạn vay. Theo đó, thời hạn vay càng dài và lãi suất càng cao thì khả năng hoàn thành đúng nghĩa vụ thanh toán nợ của khách hàng càng thấp. 9 Nghiên cứu của Arminger & Cộng sự (1997) được thực hiện trên mẫu dữ liệu gồm 8.163 quan sát của một ngân hàng chuyên về tín dụng tiêu dùng ở Đức trong 2 năm 1991 và 1992 bằng cách so sánh kết quả của hai phương pháp trên với kết quả từ hệ thống tiếp cận (feedforward network). Các biến giải thích chính được sử dụng bao gồm: Tuổi, giới tính, tình trạng hôn nhân, thâm niên công tác và sở hữu xe hơi.

Kết quả cho thấy, khả năng trả nợ tốt hơn thuộc về nhóm các đối tượng người trưởng thành, người có ô tô, người có thâm niên công tác, người có gia đình và nữ giới. Jacobson & Roszbach (2003) thực hiện nghiên cứu với trường hợp vay vốn ở các ngân hàng tại Thụy Điển. Với mẫu dữ liệu gồm 13.338 hồ sơ xin vay tiêu dùng cá nhân tại một ngân hàng lớn ở Thụy Điển từ 9/1994 đến 8/2005, các tác giả đã sử dụng phép đo 57 biến và chỉ ra 16 biến dùng được sau khi đã loại đi các biến tương quan.