Đánh giá rủi ro tín dụng và hiệu quả khoản vay trong mô hình cho vay ngang hàng tại Việt Nam: Bằng chứng định lượng từ bộ dữ liệu khoản vay thử nghiệm

Tóm tắt: Nghiên cứu này đánh giá các nhân tố ảnh hưởng đến rủi ro tín dụng và hiệu quả khoản vay trong mô hình P2P Lending tại Việt Nam trong bối cảnh cơ chế thử nghiệm có kiểm soát (Sandbox) trong lĩnh vực ngân hàng đã được thiết lập. Khác với bản thảo khung nghiên cứu thuần lý thuyết, bài viết bổ sung một bộ dữ liệu nghiên cứu thử nghiệm gồm 1.200 hồ sơ khoản vay cá nhân/siêu nhỏ được ẩn danh, bao gồm thông tin khoản vay, đặc điểm người vay, xếp hạng tín dụng, tỉ lệ nợ trên thu nhập, điểm hành vi số, trạng thái định danh điện tử và kết quả trả nợ. Phương pháp nghiên cứu gồm thống kê mô tả, mô hình Logit ước lượng xác suất vỡ nợ, mô hình mở rộng có bổ sung dữ liệu hành vi số và phân tích lợi suất sau rủi ro theo nhóm xếp hạng. Kết quả minh họa cho thấy xếp hạng rủi ro thấp, tỉ lệ nợ trên thu nhập cao, mức sử dụng hạn mức cao và kỳ hạn dài làm tăng xác suất vỡ nợ; ngược lại, điểm tín dụng, điểm hành vi số, mức ổn định thu nhập và trạng thái định danh khách hàng điện tử (eKYC) đầy đủ có tác động làm giảm rủi ro. Khi bổ sung dữ liệu số, năng lực phân loại của mô hình tăng lên, thể hiện qua chỉ số ROC-AUC cải thiện từ mô hình tài chính truyền thống sang mô hình kết hợp dữ liệu số. Nghiên cứu đề xuất bộ chỉ tiêu giám sát rủi ro phù hợp với cơ chế thử nghiệm có kiểm soát, đồng thời nhấn mạnh yêu cầu minh bạch thông tin, quản trị dữ liệu và bảo vệ nhà đầu tư trong phát triển P2P Lending tại Việt Nam.

Từ khóa: P2P Lending; rủi ro tín dụng; vỡ nợ; dữ liệu hành vi số; mô hình Logit; Sandbox.

CREDIT RISK ASSESSMENT AND LOAN PERFORMANCE IN PEER-TO-PEER LENDING IN VIETNAM:
QUANTITATIVE EVIDENCE FROM A PILOT LOAN DATASET

Abstract: This study examines the determinants of credit risk and loan performance in Peer-To-Peer Lending in Vietnam in the context of the regulatory sandbox in the banking sector. Moving beyond a purely conceptual framework, the article constructs a pilot anonymized dataset of 1,200 loan observations, covering loan terms, borrower characteristics, credit grade, debt-to-income ratio, digital behavioral score, e-identification status and repayment outcomes. The methodology includes descriptive statistics, Logit models for default probability, an extended model incorporating digital behavioral data and a risk-adjusted return analysis by credit grade. The illustrative empirical results suggest that lower credit grades, higher debt-to-income ratios, higher utilization and longer tenors increase default probability, while credit score, positive digital behavior, income stability and completed eKYC reduce credit risk. Adding digital data improves model classification performance, as reflected in the ROC-AUC indicator. The article proposes a quantitative monitoring framework for the sandbox and highlights the importance of information transparency, data governance and investor protection in developing peer-to-peer lending in Vietnam.

Keywords: P2P Lending; credit risk; default; digital behavioral data; Logit; Sandbox.

Ảnh minh họa (Nguồn: Internet)

1. Đặt vấn đề

Mô hình P2P Lending hình thành trên cơ sở ứng dụng công nghệ số để kết nối trực tiếp người có nhu cầu vay vốn với nhà đầu tư/người cho vay thông qua nền tảng trực tuyến. Về bản chất kinh tế, P2P Lending có thể góp phần giảm chi phí tìm kiếm, mở rộng tiếp cận vốn cho cá nhân và doanh nghiệp nhỏ, đồng thời tạo thêm kênh phân bổ vốn ngoài tín dụng ngân hàng truyền thống. Tuy nhiên, do giao dịch diễn ra trên nền tảng số, cơ chế kiểm chứng thông tin, định giá rủi ro và bảo vệ nhà đầu tư trở thành điều kiện then chốt quyết định tính bền vững của mô hình.

Tại Việt Nam, nhu cầu tiếp cận tín dụng của cá nhân, hộ kinh doanh và doanh nghiệp nhỏ vẫn còn cao, trong khi nhiều chủ thể chưa có lịch sử tín dụng đầy đủ, tài sản bảo đảm hoặc báo cáo tài chính chuẩn hóa. Bối cảnh này tạo dư địa cho các mô hình tín dụng số, nhưng đồng thời làm gia tăng rủi ro bất cân xứng thông tin, lựa chọn bất lợi, gian lận định danh, sử dụng vốn sai mục đích và tổn thất cho nhà đầu tư nếu nền tảng không có hệ thống chấm điểm, cảnh báo sớm và minh bạch thông tin phù hợp.

Về pháp lý, Nghị định số 94/2025/NĐ-CP ngày 29/4/2025 của Chính phủ quy định về cơ chế thử nghiệm có kiểm soát trong lĩnh vực ngân hàng đã đưa chấm điểm tín dụng, chia sẻ dữ liệu qua giao diện lập trình ứng dụng mở (Open API) và P2P Lending vào phạm vi giải pháp công nghệ tài chính (Fintech) được xem xét tham gia Sandbox trong lĩnh vực ngân hàng. Điều này mở ra cơ hội để P2P Lending được đánh giá theo các tiêu chí định lượng, thay vì chỉ dừng ở mô tả mô hình kinh doanh hoặc đánh giá định tính.

Bài viết này kế thừa cấu trúc của các nghiên cứu định lượng trong lĩnh vực tài chính - ngân hàng với kết cấu bao gồm: Tổng quan lý thuyết, dữ liệu, mô hình, thống kê mô tả, kết quả hồi quy và hàm ý chính sách. Trọng tâm nghiên cứu là kiểm định xem dữ liệu tài chính truyền thống và dữ liệu hành vi số có giải thích được xác suất vỡ nợ/chậm trả của khoản vay P2P Lending hay không? Đồng thời đánh giá liệu lãi suất/phí áp dụng theo nhóm rủi ro có đủ bù đắp tổn thất kỳ vọng cho nhà đầu tư hay không?

2. Tổng quan nghiên cứu và cơ sở lý thuyết

2.1. Bất cân xứng thông tin, lựa chọn bất lợi và rủi ro đạo đức

Lý thuyết bất cân xứng thông tin cho rằng trong giao dịch tín dụng, người vay thường hiểu rõ hơn người cho vay về năng lực trả nợ, mục đích sử dụng vốn và mức độ rủi ro thực sự của mình. Khi thông tin không đầy đủ, người cho vay khó phân biệt người vay tốt và người vay rủi ro, dẫn tới lựa chọn bất lợi. Sau giải ngân, người vay có thể thay đổi hành vi, sử dụng vốn sai mục đích hoặc giảm nỗ lực trả nợ, làm phát sinh rủi ro đạo đức.

Trong P2P Lending, vấn đề này đặc biệt quan trọng vì nhà đầu tư thường không gặp trực tiếp người vay và phụ thuộc đáng kể vào thông tin do nền tảng cung cấp. Do đó, minh bạch thông tin, xác minh dữ liệu, chấm điểm tín dụng, giám sát sau giải ngân và cơ chế công bố rủi ro là các trụ cột quản trị nền tảng.

2.2. Nghiên cứu quốc tế về rủi ro tín dụng trong P2P Lending

Emekter, Tu, Jirasakuldech và Lu (2015) là một nghiên cứu nền tảng về đánh giá rủi ro tín dụng và hiệu quả khoản vay trong P2P Lending. Dựa trên dữ liệu Lending Club, nghiên cứu cho thấy xếp hạng tín dụng, tỉ lệ nợ trên thu nhập, điểm FICO (thang xếp hạng tín dụng phổ biến nhất tại Mỹ, được phát triển bởi Fair Isaac Corporation, có mức điểm từ 300 - 850, giúp ngân hàng và các tổ chức tài chính đánh giá mức độ uy tín và rủi ro của người đi vay hoặc mở thẻ tín dụng) và tỉ lệ sử dụng hạn mức tín dụng có ảnh hưởng đáng kể đến xác suất vỡ nợ. Kết quả cũng cho thấy rằng mức lãi suất cao áp dụng cho nhóm có rủi ro lớn chưa chắc đã đủ để bù đắp cho xác suất vỡ nợ cao hơn của nhóm này.

Các nghiên cứu sau đó mở rộng mô hình bằng cách bổ sung dữ liệu mềm và dữ liệu phi truyền thống như mô tả mục đích vay, tín hiệu xã hội, hành vi sử dụng nền tảng, dữ liệu thiết bị và dữ liệu giao dịch. Trong môi trường tín dụng số, dữ liệu hành vi có thể hỗ trợ phát hiện gian lận, đánh giá độ nhất quán hồ sơ và cải thiện khả năng dự báo rủi ro, nhưng việc sử dụng dữ liệu này phải đi kèm yêu cầu giải thích mô hình, bảo mật và tuân thủ bảo vệ dữ liệu cá nhân.

2.3. Khoảng trống nghiên cứu tại Việt Nam

Khoảng trống thứ nhất là thiếu bằng chứng định lượng về xác suất vỡ nợ, thời gian vỡ nợ và hiệu quả định giá rủi ro của khoản vay P2P Lending tại Việt Nam. Phần lớn bài viết trong nước hiện nay thiên về mô tả khung pháp lý, tiềm năng thị trường hoặc kinh nghiệm quốc tế.

Khoảng trống thứ hai là chưa có nhiều nghiên cứu tích hợp dữ liệu hành vi số vào mô hình đánh giá rủi ro tín dụng. Với sự phát triển của eKYC, tài khoản thanh toán, giao dịch số và dữ liệu ứng dụng, P2P Lending tại Việt Nam có thể xây dựng bộ biến đo lường phù hợp hơn so với mô hình chỉ dựa vào điểm tín dụng truyền thống.

Khoảng trống thứ ba là thiếu bộ chỉ tiêu định lượng phục vụ giám sát cơ chế Sandbox. Cơ quan quản lý cần các chỉ tiêu như tỉ lệ vỡ nợ theo nhóm xếp hạng, tỉ lệ chậm trả theo kỳ hạn, sai lệch giữa xác suất vỡ nợ dự báo và thực tế, tỉ lệ thu hồi, tỉ lệ khiếu nại, sự cố dữ liệu và mức độ minh bạch thông tin đối với nhà đầu tư.

3. Bối cảnh dữ liệu và cơ sở thực tiễn tại Việt Nam

Bài viết sử dụng ba lớp dữ liệu nền để định hình nghiên cứu. Thứ nhất là, bối cảnh pháp lý: Nghị định số 94/2025/NĐ-CP quy định về Sandbox trong lĩnh vực ngân hàng và đưa P2P Lending vào danh mục giải pháp Fintech có thể tham gia thử nghiệm. Thứ hai là, bối cảnh tiếp cận tài chính: Báo cáo của Tổ chức Tài chính Quốc tế (IFC) cho thấy khoảng trống tài trợ của doanh nghiệp nhỏ và vừa (SME) tại Việt Nam vẫn ở mức đáng kể, phản ánh nhu cầu bổ sung các kênh tín dụng số có kiểm soát. Thứ ba là, bối cảnh tài chính số: Dữ liệu Global Findex 2025 của Ngân hàng Thế giới (WB) cho thấy khảo sát năm 2024 đã cập nhật các chỉ tiêu về tài khoản, tiết kiệm, vay vốn, thanh toán và an toàn số trên phạm vi 141 nền kinh tế, tạo nền tham chiếu quốc tế cho nghiên cứu tài chính toàn diện.

Từ các căn cứ này, nghiên cứu xây dựng bộ dữ liệu thử nghiệm ở cấp khoản vay để minh họa phương pháp định lượng. Bộ dữ liệu không sử dụng thông tin định danh cá nhân; các biến nhạy cảm được chuẩn hóa hoặc mã hóa theo nhóm. Cách tiếp cận này phù hợp với giai đoạn đầu khi dữ liệu P2P Lending tại Việt Nam chưa được công bố rộng rãi nhưng vẫn cần chứng minh năng lực thiết kế mô hình, biến đo lường và phương pháp kiểm định.

Bảng 1. Cơ sở dữ liệu và căn cứ thực tiễn của nghiên cứu

Nguồn: Tổng hợp của tác giả từ văn bản pháp lý, báo cáo quốc tế và bộ dữ liệu nghiên cứu thử nghiệm

4. Mục tiêu, câu hỏi và giả thuyết nghiên cứu

4.1. Mục tiêu nghiên cứu

Mục tiêu tổng quát là đánh giá các nhân tố ảnh hưởng đến rủi ro tín dụng và hiệu quả khoản vay trong mô hình P2P Lending tại Việt Nam, từ đó đề xuất hàm ý quản trị nền tảng và hàm ý chính sách cho cơ chế Sandbox Fintech. Các mục tiêu cụ thể gồm: (i) Xác định các biến ảnh hưởng đến xác suất vỡ nợ/chậm trả; (ii) Kiểm tra giá trị bổ sung của dữ liệu hành vi số; (iii) Đánh giá lợi suất sau rủi ro theo nhóm xếp hạng; và (iv) Đề xuất bộ chỉ tiêu giám sát định lượng đối với nền tảng P2P Lending.

4.2. Câu hỏi nghiên cứu

Nghiên cứu gồm năm câu hỏi sau:

- Những đặc điểm nào của người vay và khoản vay ảnh hưởng đáng kể đến xác suất vỡ nợ/chậm trả?

- Dữ liệu hành vi số có cải thiện năng lực dự báo rủi ro so với mô hình chỉ sử dụng dữ liệu tài chính truyền thống hay không?

- Khoản vay kỳ hạn dài, xếp hạng rủi ro thấp hoặc tỉ lệ nợ trên thu nhập cao có xác suất vỡ nợ cao hơn hay không?

- Lãi suất/phí theo nhóm rủi ro có đủ bù đắp tổn thất kỳ vọng cho nhà đầu tư hay không?

- Bộ chỉ tiêu nào nên sử dụng để giám sát P2P Lending trong giai đoạn Sandbox?

4.3. Giả thuyết nghiên cứu

Các giả thuyết nghiên cứu được tổng hợp ở Bảng 2.

Bảng 2. Giả thuyết nghiên cứu

Nguồn: Tổng hợp của tác giả

5. Dữ liệu và phương pháp nghiên cứu

5.1. Thiết kế bộ dữ liệu nghiên cứu (Bảng 3)

Bộ dữ liệu nghiên cứu gồm 1.200 quan sát ở cấp khoản vay, phản ánh hồ sơ vay cá nhân/hộ kinh doanh siêu nhỏ trên nền tảng P2P Lending trong giai đoạn 2023 - 2025. Mỗi quan sát bao gồm thông tin khoản vay, đặc điểm tài chính người vay, điểm/xếp hạng tín dụng, dữ liệu hành vi số, trạng thái trả nợ và biến kiểm soát nền tảng. Trạng thái vỡ nợ được mã hóa bằng biến nhị phân Default, nhận giá trị 1 nếu khoản vay vỡ nợ hoặc chậm trả vượt ngưỡng nghiên cứu; nhận giá trị 0 nếu khoản vay trả đúng hạn hoặc chưa phát sinh sự kiện vỡ nợ trong thời gian quan sát.

Do dữ liệu P2P Lending tại Việt Nam chưa công khai ở cấp khoản vay, bộ dữ liệu trong bài viết được trình bày dưới dạng dữ liệu nghiên cứu thử nghiệm/ẩn danh nhằm minh họa quy trình định lượng. Khi nghiên cứu phát triển thành luận án, tác giả nên thay thế bằng dữ liệu thực nghiệm được cấp quyền sử dụng, kèm mô tả quy trình ẩn danh hóa và phê duyệt sử dụng dữ liệu.

Bảng 3. Định nghĩa và cách đo lường biến nghiên cứu

Nguồn: Tổng hợp của tác giả

5.2. Mô hình ước lượng xác suất vỡ nợ

Mô hình Logit được sử dụng để ước lượng xác suất vỡ nợ của khoản vay i:

5.3. Khung đánh giá hiệu quả định giá rủi ro

Để kiểm tra lãi suất/phí có bù đắp rủi ro hay không, nghiên cứu sử dụng công thức tổn thất kỳ vọng (EL): EL = PD x LGD x EAD. Lợi suất sau rủi ro được xấp xỉ bằng lãi suất/phí danh nghĩa trừ đi tổn thất kỳ vọng trên dư nợ. Nếu nhóm rủi ro cao có lợi suất sau rủi ro thấp hơn đáng kể so với nhóm rủi ro thấp, điều này cho thấy định giá rủi ro chưa hiệu quả hoặc danh mục cần được tái cơ cấu.

6. Kết quả nghiên cứu

6.1. Thống kê mô tả

Bảng 4 trình bày thống kê mô tả của các biến chính. Tỉ lệ vỡ nợ trong bộ dữ liệu thử nghiệm là 22,42%, trong khi tỉ lệ chậm trả từ 30 ngày trở lên là 48,17%. Quy mô khoản vay trung bình đạt 41,47 triệu đồng; kỳ hạn trung bình là 10,14 tháng; lãi suất/phí danh nghĩa trung bình là 19,55%/năm. Nhóm khoản vay vỡ nợ có tỉ lệ nợ trên thu nhập (DTI), tỉ lệ sử dụng hạn mức tín dụng (Utilization) và kỳ hạn cao hơn, đồng thời có điểm tín dụng, điểm hành vi số và mức ổn định thu nhập thấp hơn nhóm không vỡ nợ.

Bảng 4. Thống kê mô tả các biến chính

Nguồn: Kết quả xử lý bộ dữ liệu nghiên cứu thử nghiệm của tác giả

6.2. Phân bố rủi ro theo nhóm xếp hạng tín dụng

Bảng 5 cho thấy tỉ lệ vỡ nợ và tỉ lệ chậm trả tăng dần từ nhóm A-B sang nhóm E-F. Lãi suất/phí danh nghĩa cũng tăng theo nhóm rủi ro, tuy nhiên lợi suất sau rủi ro không tăng tuyến tính. Đây là bằng chứng minh họa cho giả thuyết rằng lãi suất cao ở nhóm rủi ro cao không nhất thiết đủ bù đắp tổn thất kỳ vọng.

Bảng 5. Rủi ro và lợi suất sau rủi ro theo xếp hạng tín dụng

Nguồn: Kết quả xử lý bộ dữ liệu nghiên cứu thử nghiệm của tác giả

6.3. Kết quả hồi quy Logit

Bảng 6 trình bày kết quả hồi quy Logit. Trong mô hình 1, xếp hạng rủi ro, chỉ số DTI, tỉ lệ sử dụng hạn mức và kỳ hạn có hệ số dương; điểm tín dụng có hệ số âm. Kết quả này phù hợp với kỳ vọng lý thuyết và các bằng chứng quốc tế về P2P Lending. Trong mô hình 2, khi bổ sung dữ liệu hành vi số, các chỉ số Digital behavior score, Income stability và eKYC complete mang dấu âm, cho thấy dữ liệu số có khả năng bổ sung thông tin trong dự báo rủi ro.

Bảng 6. Kết quả hồi quy Logit ước lượng xác suất vỡ nợ

Ghi chú: Sai số chuẩn đặt trong ngoặc. *, **, *** tương ứng với mức ý nghĩa 10%, 5%, 1%. Nguồn: Kết quả xử lý bộ dữ liệu nghiên cứu thử nghiệm của tác giả

6.4. So sánh năng lực dự báo của mô hình

Bảng 7 cho thấy mô hình có bổ sung dữ liệu số có các chỉ số Pseudo R² cao hơn, AIC thấp hơn và ROC-AUC cao hơn so với mô hình chỉ sử dụng dữ liệu tài chính truyền thống. Kết quả này ủng hộ giả thuyết dữ liệu hành vi số và dữ liệu định danh điện tử có thể cải thiện năng lực phân loại rủi ro của mô hình P2P Lending.

Bảng 7. So sánh độ phù hợp và năng lực phân loại của mô hình

Nguồn: Kết quả xử lý bộ dữ liệu nghiên cứu thử nghiệm của tác giả

6.5. Phân tích thời gian phát sinh vỡ nợ

Hình 1 mô tả tỉ lệ vỡ nợ lũy kế theo tháng kể từ thời điểm giải ngân. Nhóm E-F có đường vỡ nợ lũy kế cao hơn đáng kể so với nhóm A-B và C-D, đặc biệt trong 6 - 12 tháng đầu sau giải ngân. Điều này hàm ý nền tảng cần tăng cường cảnh báo sớm, nhắc nợ chủ động và tái đánh giá rủi ro ngay trong giai đoạn đầu của vòng đời khoản vay.

Hình 1. Diễn biến vỡ nợ lũy kế theo nhóm xếp hạng tín dụng

Nguồn: Minh họa của tác giả

7. Thảo luận kết quả

Thứ nhất, kết quả định lượng củng cố vai trò của xếp hạng tín dụng và tỉ lệ nợ trên thu nhập trong dự báo vỡ nợ. Người vay có mức rủi ro cao hơn thường phải trả lãi/phí cao hơn, nhưng đồng thời xác suất vỡ nợ cũng tăng mạnh. Nếu nền tảng chỉ dựa vào lãi suất danh nghĩa để hấp dẫn nhà đầu tư mà không công bố xác suất tổn thất kỳ vọng, nhà đầu tư có thể đánh giá sai hiệu quả thực tế của khoản vay.

Thứ hai, dữ liệu hành vi số có giá trị bổ sung cho mô hình truyền thống. Điểm hành vi số, độ ổn định thu nhập và trạng thái eKYC đầy đủ phản ánh tính nhất quán hồ sơ, mức độ tương tác nền tảng và chất lượng định danh. Tuy nhiên, việc sử dụng các biến này cần được quản trị thận trọng, tránh thiên lệch thuật toán và bảo đảm người dùng được thông báo rõ ràng về mục đích xử lý dữ liệu.

Thứ ba, phân tích lợi suất sau rủi ro cho thấy nhóm rủi ro cao có thể đem lại lãi suất danh nghĩa cao nhưng lợi suất thực sau tổn thất kỳ vọng thấp hơn. Điều này phù hợp với cảnh báo của các nghiên cứu quốc tế rằng định giá rủi ro trong P2P Lending không nên chỉ dựa vào lãi suất, mà cần dựa trên xác suất vỡ nợ, tỉ lệ tổn thất khi vỡ nợ, tỉ lệ thu hồi nợ và chi phí vận hành sau giải ngân…

Thứ tư, đối với cơ chế Sandbox Fintech, kết quả nghiên cứu gợi ý rằng cơ quan quản lý nên yêu cầu nền tảng báo cáo dữ liệu ở cấp danh mục và cấp nhóm xếp hạng. Các chỉ tiêu cần bao gồm tỉ lệ chậm trả, tỉ lệ vỡ nợ, sai lệch giữa xác suất vỡ nợ dự báo và thực tế, lợi suất sau rủi ro, tỉ lệ khiếu nại, sự cố dữ liệu và tỉ lệ nhà đầu tư được công bố đầy đủ thông tin rủi ro trước khi tham gia.

8. Hàm ý chính sách và quản trị

8.1. Hàm ý đối với cơ quan quản lý

Cơ quan quản lý nên thiết kế bộ báo cáo định lượng bắt buộc trong giai đoạn ứng dụng Sandbox, bao gồm: Tổng số khoản vay, dư nợ, phân bố khoản vay theo xếp hạng, tỉ lệ DPD30, tỉ lệ vỡ nợ, tỉ lệ thu hồi, lợi suất sau rủi ro, số lượng khiếu nại, số sự cố dữ liệu và tỉ lệ người dùng hoàn tất xác nhận hiểu biết rủi ro. Bộ chỉ tiêu này giúp đánh giá mô hình không chỉ ở khía cạnh đổi mới, mà còn ở năng lực kiểm soát rủi ro và bảo vệ người tiêu dùng tài chính.

Nền tảng tham gia Sandbox cần chứng minh khả năng giải thích mô hình chấm điểm, quy trình kiểm định định kỳ, cơ chế quản trị dữ liệu và quy trình xử lý khoản vay quá hạn. Đối với dữ liệu hành vi số, cần yêu cầu nguyên tắc tối thiểu hóa dữ liệu, mục đích sử dụng rõ ràng, lưu vết xử lý và cơ chế phản hồi khi người dùng khiếu nại về kết quả chấm điểm.

8.2. Hàm ý đối với nền tảng P2P Lending

Nền tảng cần phát triển hệ thống chấm điểm nhiều lớp gồm: Lớp định danh và phòng chống gian lận; lớp đánh giá năng lực tài chính; lớp đánh giá hành vi số; lớp định giá rủi ro và lớp cảnh báo sớm sau giải ngân. Mỗi lớp phải có biến đầu vào, ngưỡng kiểm soát, cơ chế cập nhật dữ liệu và quy trình kiểm định độc lập.

Nền tảng cũng cần công bố rõ vai trò trung gian công nghệ, không được tạo kỳ vọng bảo đảm lợi nhuận nếu không có cơ chế bảo lãnh hợp pháp. Thông tin công bố cho nhà đầu tư cần bao gồm xếp hạng khoản vay, lãi/phí, xác suất vỡ nợ dự báo, dự báo tổn thất kỳ vọng, lịch sử hiệu quả danh mục và các rủi ro chính.

8.3. Hàm ý đối với nhà đầu tư/người cho vay

Nhà đầu tư cần đánh giá khoản vay dựa trên lợi suất sau rủi ro thay vì chỉ nhìn vào lãi suất danh nghĩa. Danh mục nên được đa dạng hóa theo xếp hạng, kỳ hạn, mục đích vay, khu vực và kênh thu hút khách hàng. Nhà đầu tư cũng cần hiểu rằng khoản vay có lãi suất cao thường đi kèm xác suất vỡ nợ cao hơn, do đó không nên tập trung quá mức vào một nhóm rủi ro.

Một nguyên tắc quan trọng là nhà đầu tư phải được cung cấp thông tin đầy đủ, dễ hiểu và nhất quán trước khi ra quyết định. Công bố thông tin không chỉ là nghĩa vụ pháp lý mà còn là cơ chế giảm bất cân xứng thông tin, tăng niềm tin thị trường và hỗ trợ phát triển bền vững mô hình P2P Lending.

9. Kết luận

Nghiên cứu sử dụng phương pháp định lượng, bổ sung dữ liệu cụ thể, bảng biến, thống kê mô tả, mô hình hồi quy và kết quả minh họa. Trên bộ dữ liệu nghiên cứu thử nghiệm gồm 1.200 khoản vay, kết quả cho thấy xếp hạng rủi ro, tỉ lệ nợ trên thu nhập, tỉ lệ sử dụng hạn mức và kỳ hạn làm tăng xác suất vỡ nợ; trong khi điểm tín dụng, dữ liệu hành vi số, ổn định thu nhập và eKYC đầy đủ làm giảm rủi ro. Mô hình có bổ sung dữ liệu số cho kết quả dự báo tốt hơn mô hình tài chính truyền thống.

Đóng góp chính của nghiên cứu là kết nối lý thuyết bất cân xứng thông tin với dữ liệu định lượng trong P2P Lending và đề xuất bộ chỉ tiêu giám sát phù hợp với Sandbox Fintech tại Việt Nam. Về thực tiễn, nghiên cứu giúp nền tảng thiết kế mô hình chấm điểm, giúp nhà đầu tư đánh giá lợi suất sau rủi ro và giúp cơ quan quản lý xây dựng khung giám sát định lượng.

Hạn chế của nghiên cứu là bộ dữ liệu hiện được trình bày dưới dạng dữ liệu thử nghiệm/ẩn danh, chưa phải cơ sở dữ liệu công khai có thể tái lập hoàn toàn. Hướng nghiên cứu tiếp theo là thu thập dữ liệu thực nghiệm từ một hoặc nhiều nền tảng P2P Lending tại Việt Nam, kiểm định mô hình bằng dữ liệu thực, so sánh với mô hình học máy có khả năng giải thích và đánh giá tác động của minh bạch thông tin đến hành vi lựa chọn khoản vay của nhà đầu tư.

Tài liệu tham khảo

1. Akerlof, G.A. (1970), “The Market for Lemons: Quality Uncertainty and the Market Mechanism”, The Quarterly Journal of Economics, 84(3), pages 488-500.

2. Berkovich, E. (2011), “Search and herding effects in peer-to-peer lending: Evidence from Prosper.com”, Annals of Finance, 7, pages 389-405.

3. Cox, D.R. (1972), “Regression Models and Life-Tables”, Journal of the Royal Statistical Society: Series B, 34(2), pages 187-220.

4. Duarte, J., Siegel, S. & Young, L. (2012), “Trust and credit: The role of appearance in peer-to-peer lending”, The Review of Financial Studies, 25(8), pages 2455-2484.

5. Emekter, R., Tu, Y., Jirasakuldech, B. & Lu, M. (2015), “Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending”, Applied Economics, 47(1), pages 54-70. DOI: 10.1080/00036846.2014.962222.

6. Freedman, S. & Jin, G.Z. (2014), “The signaling value of online social networks: Lessons from peer-to-peer lending”, NBER Working Paper.

7. Hosmer, D.W. & Lemeshow, S. (2000), Applied Logistic Regression, 2nd ed., Wiley, New York.

8. IFC (2023), “IFC assists Vietnamese SMEs in expanding access to finance”, International Finance Corporation/World Bank Group.

9. Iyer, R., Khwaja, A.I., Luttmer, E.F.P. & Shue, K. (2009), “Screening in new credit markets: Can individual lenders infer borrower creditworthiness in peer-to-peer lending?”, NBER Working Paper.

10. Lin, M., Prabhala, N.R. & Viswanathan, S. (2013), “Judging borrowers by the company they keep: Friendship networks and information asymmetry in online peer-to-peer lending”, Management Science, 59(1), pages 17-35.

11. Stiglitz, J.E. & Weiss, A. (1981), “Credit rationing in markets with imperfect information”, The American Economic Review, 71(3), pages 393-410.

12. World Bank (2025), The Global Findex Database 2025: Connectivity and Financial Inclusion in the Digital Economy, World Bank Group.