Các yếu tố ảnh hưởng đến khả năng trả nợ của doanh nghiệp SME tại VietinBank - Chi nhánh Hoàn Kiếm

Chuyên khảo phân tích Factors affecting the loan repayment of sme enterprises at vietinbank hoan kiem branch, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Vu Ha Ly
• Người hướng dẫn: Assoc. Le Van Luyen
• Trường học: Banking Academy
• Chuyên ngành: Banking - Finance
• Đề tài: Factors Affecting The Loan Repayment Of SME Enterprises At VietinBank - Hoan Kiem Branch
• Loại tài liệu: Graduation Thesis
• Năm xuất bản: 2022
• Địa điểm: Hanoi

Mục lục chi tiết

• ACKNOWLEDGEMENTS
• CONTENTS
• 1. CHAPTER 1: LITERATURE REVIEW
• 1.1. Credit and credit characteristics for SMEs
• 1.1.1. Definitions of credit for SMEs
• 1.1.2. Credit characteristics for SMEs
• 1.2. The role of credit for SMEs
• 1.3. Loan repayment ability of SMEs
• 1.3.1. Definition of repayment
• 1.3.2. Methods evaluating loan repayment
• 1.4. The role of assessment and analysis of factors affecting the loan repayment of SMEs
• 1.5. Factors affecting the loan repayment of SMEs
• 1.5.1. Factors from SME enterprises
• 1.5.2. Factors from the loan side
• 1.5.2.1. Factors on the bank side
• 1.5.2.2. Factors on the economy
• 1.6. SUMMARY OF CHAPTER 1
• 2. CHAPTER 2: THE LOAN REPAYMENT OF SMES AT VIETINBANK - HOAN KIEM BRANCH
• 2.1. Introduction of VietinBank - Hoan Kiem branch
• 2.2. History of establishment and development of VietinBank Hoan Kiem
• 2.3. Method evaluating loan repayment for SMEs at VietinBank - Hoan Kiem branch
• 2.4. Credit activities of SMEs at VietinBank - Hoan Kiem branch
• 2.4.1. SME loan sales
• 2.4.2. SME loan sales structure
• 2.4.3. Non-performing debt, the overdue debt of SMEs
• 2.4.4. Provision for SMEs loan losses
• 2.4.5. Reasons for unable to repay loans of SMEs at VietinBank - Hoan Kiem branch
• 2.4.5.1. Factors from customers
• 2.4.5.2. Factors from the bank
• 2.5. SUMMARY OF CHAPTER 2
• 3. CHAPTER 3: RESEARCH METHODOLOGY, FINDINGS, AND DISCUSSION
• 3.1. Research process and framework
• 3.2. Logit regression analysis
• 3.3. Summary and interpretation of findings
• 3.4. SUMMARY OF CHAPTER 3
• 4. CHAPTER 4: RECOMMENDATIONS
• 4.1. Implications from research results
• 4.2. Recommendations for VietinBank and Hoan Kiem branch
• 4.2.1. For the process of appraising corporate customers in general and SMEs in particular
• 4.2.2. For credit policy
• 4.2.3. For the staff of VietinBank
• 4.2.4. Recommendations for SMEs
• 4.2.5. Recommendations for the State Bank of Vietnam
• 4.3. SUMMARY OF CHAPTER 4
• LIST OF ABBREVIATIONS
• LIST OF TABLES
• LIST OF FIGURES
• INTRODUCTION
• 1. Rationale of the study
• 2. Previous study
• 3. Significance of study
• 4. Aims of the study
• 4.1. Overall objectives
• 4.2. Detail objectives
• 5. Objects and scope of the study
• 6. Research questions and method
• 6.1. Research questions
• 6.2. Research method
• 6.2.1. Data collection method
• 6.2.2. Sampling method
• 6.2.3. Data processing methods
• 7. Organization of the study

Tóm tắt

I. Tổng Quan Tầm Quan Trọng của Khả Năng Trả Nợ SME VietinBank

Sự phát triển của hệ thống ngân hàng thương mại luôn gắn liền với sự phát triển của nền kinh tế quốc dân. Là trung gian tín dụng chính, các ngân hàng thương mại Việt Nam đã tích cực hỗ trợ phục hồi kinh tế và ổn định đời sống người dân, đặc biệt trong giai đoạn 2019 - 2021, trong bối cảnh đại dịch Covid-19 lan rộng. Theo Tổng cục Thống kê, Việt Nam đã đón năm 2021 với mức tăng trưởng GDP chỉ 2,91% năm 2020, thấp nhất trong thập kỷ qua. Tuy nhiên, kết quả này đã đưa Việt Nam vào danh sách các quốc gia có tốc độ tăng trưởng cao trên thế giới. Tín hiệu tích cực này đến từ việc triển khai các chương trình tín dụng, hỗ trợ kịp thời và tháo gỡ khó khăn cho các doanh nghiệp trên cả nước, thúc đẩy đáng kể đầu tư và sản xuất. Hoạt động tín dụng SME liên tục được ưu tiên trong danh mục cho vay của các ngân hàng thương mại do số lượng đáng kể của các doanh nghiệp SME trong nền kinh tế thị trường Việt Nam.

1.1. Vai trò của doanh nghiệp SME và nhu cầu vốn vay

Doanh nghiệp SME đóng vai trò quan trọng trong nền kinh tế Việt Nam, tạo công ăn việc làm và đóng góp vào GDP. Nhu cầu vốn vay của các doanh nghiệp này rất lớn, đặc biệt trong bối cảnh mở rộng sản xuất và kinh doanh. VietinBank với vị thế là một trong những ngân hàng hàng đầu Việt Nam, đóng vai trò quan trọng trong việc cung cấp tín dụng cho các doanh nghiệp SME.

1.2. Rủi ro tín dụng SME và tầm quan trọng của khả năng trả nợ

Mặc dù hoạt động tín dụng SME mang lại lợi nhuận lớn, nhưng cũng tiềm ẩn nhiều rủi ro. Rủi ro tín dụng SME có thể gây ra những hậu quả nghiêm trọng cho ngân hàng và toàn bộ hệ thống tài chính. Đánh giá khả năng trả nợ SME là yếu tố then chốt để giảm thiểu rủi ro tín dụng. Việc đánh giá này cần xem xét nhiều yếu tố khác nhau, không chỉ dựa trên báo cáo tài chính.

II. Cách Xác Định Các Yếu Tố Ảnh Hưởng Trả Nợ SME VietinBank

Việc đánh giá khả năng trả nợ SME không chỉ dựa vào số liệu thống kê trên báo cáo tài chính mà còn phải xem xét nhiều yếu tố từ phía ngân hàng hoặc môi trường vĩ mô. Việc kết hợp các yếu tố tài chính và phi tài chính là một nhiệm vụ khó khăn đối với các ngân hàng, hỗ trợ đưa ra quyết định cho vay. Tính đến cuối năm 2021, tỷ lệ nợ xấu của VietinBank được kiểm soát ở mức 1,3%, tuân thủ giới hạn kế hoạch do Ngân hàng Nhà nước và Đại hội đồng cổ đông giao. Tuy nhiên, trên thực tế, nợ xấu luôn tồn tại và có xu hướng gia tăng, đặc biệt đối với các khoản vay của doanh nghiệp SME.

2.1. Nhóm yếu tố nội tại doanh nghiệp SME Tình hình tài chính năng lực quản lý

Các yếu tố nội tại của doanh nghiệp SME bao gồm tình hình tài chính, năng lực quản lý, lịch sử tín dụng, dòng tiền doanh nghiệp, và tài sản đảm bảo. Tình hình tài chính được đánh giá qua các chỉ số như lợi nhuận, doanh thu, chi phí, cấu trúc tài chính, khả năng thanh toán, khả năng sinh lời, tỷ lệ nợ trên vốn chủ sở hữu, tỷ lệ thanh toán hiện hành, và tỷ lệ thanh toán nhanh.

2.2. Nhóm yếu tố từ ngân hàng Chính sách tín dụng mối quan hệ kiểm soát rủi ro

Các yếu tố từ phía ngân hàng bao gồm chính sách tín dụng, mối quan hệ với ngân hàng, và quy trình kiểm soát rủi ro. Chính sách tín dụng cần phù hợp với đặc điểm của doanh nghiệp SME và điều kiện thị trường. Mối quan hệ tốt giữa doanh nghiệp SME và ngân hàng giúp tạo sự tin tưởng và hỗ trợ lẫn nhau. Quy trình kiểm soát rủi ro hiệu quả giúp ngân hàng phát hiện và xử lý sớm các vấn đề tiềm ẩn.

2.3. Tác động từ các yếu tố kinh tế vĩ mô Lãi suất lạm phát tỷ giá

Các yếu tố kinh tế vĩ mô như lãi suất, lạm phát, tỷ giá hối đoái, và điều kiện kinh tế vĩ mô có tác động lớn đến khả năng trả nợ của doanh nghiệp SME. Thay đổi lãi suất có thể làm tăng chi phí vốn vay, lạm phát làm giảm sức mua của người tiêu dùng, và biến động tỷ giá ảnh hưởng đến hoạt động xuất nhập khẩu.

III. Phân Tích Thực Trạng Khả Năng Trả Nợ tại VietinBank Hoàn Kiếm

Nghiên cứu các yếu tố ảnh hưởng đến khả năng trả nợ của doanh nghiệp SME là điều cần thiết để VietinBank đạt được mục tiêu tăng trưởng tín dụng bền vững và hiệu quả trong tương lai gần. Do thời gian và điều kiện có hạn, người viết đã chọn chủ đề: "Các yếu tố ảnh hưởng đến khả năng trả nợ của doanh nghiệp SME tại VietinBank - Chi nhánh Hoàn Kiếm".

3.1. Giới thiệu về VietinBank Chi nhánh Hoàn Kiếm và hoạt động tín dụng SME

VietinBank Chi nhánh Hoàn Kiếm có lịch sử hình thành và phát triển lâu đời, đóng vai trò quan trọng trong việc cung cấp tín dụng cho các doanh nghiệp SME trên địa bàn. Chi nhánh đã triển khai nhiều chương trình tín dụng ưu đãi nhằm hỗ trợ các doanh nghiệp SME phát triển sản xuất và kinh doanh.

3.2. Thực trạng nợ xấu SME và nguyên nhân không trả được nợ tại chi nhánh

Thực trạng nợ xấu của doanh nghiệp SME tại VietinBank Chi nhánh Hoàn Kiếm vẫn còn là một thách thức. Nguyên nhân không trả được nợ có thể xuất phát từ nhiều yếu tố, bao gồm khó khăn về tài chính, quản lý yếu kém, biến động thị trường, và ảnh hưởng của các yếu tố kinh tế vĩ mô. Một số yếu tố chủ quan và khách quan khiến cho doanh nghiệp không trả được nợ.

3.3. Phương pháp đánh giá khả năng trả nợ SME tại VietinBank Hoàn Kiếm

VietinBank Chi nhánh Hoàn Kiếm sử dụng nhiều phương pháp để đánh giá khả năng trả nợ của doanh nghiệp SME, bao gồm phân tích báo cáo tài chính, đánh giá tài sản đảm bảo, và xem xét lịch sử tín dụng. Quy trình đánh giá tín dụng được thực hiện một cách chặt chẽ để đảm bảo chất lượng tín dụng.

IV. Ứng Dụng Mô Hình Hồi Quy Logistic Đánh Giá Trả Nợ SME

Nhiều nghiên cứu trước đây đã nỗ lực giải thích các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng. Ohlson (1980) đã sử dụng hồi quy logistic để dự đoán xác suất phá sản của một công ty. Ajah et al. (2014) nghiên cứu về khả năng tín dụng của doanh nghiệp nông nghiệp ở Cross River State, Nigeria. Tại Việt Nam, Trương Đông Lộc (2011) đã nghiên cứu các yếu tố ảnh hưởng đến khả năng trả nợ đúng hạn của nông dân ở tỉnh Hậu Giang.

4.1. Mô hình Logit và các biến số sử dụng trong nghiên cứu

Nghiên cứu sử dụng mô hình Logit để phân tích các yếu tố ảnh hưởng đến khả năng trả nợ của doanh nghiệp SME tại VietinBank Chi nhánh Hoàn Kiếm. Các biến số được sử dụng bao gồm tình hình tài chính (ROA, ROE), tỷ lệ nợ trên vốn chủ sở hữu, quy mô doanh nghiệp, và các yếu tố kinh tế vĩ mô (lãi suất, lạm phát).

4.2. Kết quả phân tích hồi quy và diễn giải các yếu tố tác động

Kết quả phân tích hồi quy cho thấy rằng tình hình tài chính tốt (ROA, ROE cao), tỷ lệ nợ trên vốn chủ sở hữu thấp, và quy mô doanh nghiệp lớn có tác động tích cực đến khả năng trả nợ của doanh nghiệp SME. Các yếu tố kinh tế vĩ mô cũng có ảnh hưởng đáng kể đến khả năng trả nợ.

4.3. Thảo luận về mức độ ảnh hưởng của từng yếu tố

Mức độ ảnh hưởng của từng yếu tố đến khả năng trả nợ của doanh nghiệp SME khác nhau. Tình hình tài chính thường là yếu tố quan trọng nhất, tiếp theo là quy mô doanh nghiệp và các yếu tố kinh tế vĩ mô. Việc hiểu rõ mức độ ảnh hưởng của từng yếu tố giúp ngân hàng đưa ra các quyết định cho vay phù hợp.

V. Giải Pháp Nâng Cao Khả Năng Trả Nợ SME VietinBank Hoàn Kiếm

Nghiên cứu này có ý nghĩa quan trọng trong việc giúp VietinBank Chi nhánh Hoàn Kiếm cải thiện quy trình tín dụng và giảm thiểu rủi ro tín dụng đối với doanh nghiệp SME. Nghiên cứu cũng cung cấp thông tin hữu ích cho các doanh nghiệp SME để nâng cao khả năng trả nợ và tiếp cận vốn vay dễ dàng hơn.

5.1. Kiến nghị cho VietinBank Quy trình thẩm định chính sách tín dụng nhân sự

VietinBank Chi nhánh Hoàn Kiếm cần cải thiện quy trình thẩm định tín dụng SME bằng cách xem xét kỹ lưỡng các yếu tố tài chính và phi tài chính. Ngân hàng cần điều chỉnh chính sách tín dụng để phù hợp hơn với đặc điểm của doanh nghiệp SME. Cần nâng cao trình độ chuyên môn của nhân viên tín dụng để họ có thể đánh giá rủi ro tín dụng một cách chính xác.

5.2. Kiến nghị cho doanh nghiệp SME Nâng cao năng lực quản lý minh bạch tài chính

Doanh nghiệp SME cần nâng cao năng lực quản lý, đặc biệt là quản lý tài chính và quản lý dòng tiền. Các doanh nghiệp cần minh bạch hóa thông tin tài chính và xây dựng lịch sử tín dụng tốt. Việc này giúp doanh nghiệp SME tiếp cận vốn vay dễ dàng hơn và giảm chi phí vốn vay.

5.3. Kiến nghị cho Ngân hàng Nhà nước Hỗ trợ chính sách tạo môi trường kinh doanh

Ngân hàng Nhà nước cần tiếp tục hỗ trợ doanh nghiệp SME thông qua các chính sách hỗ trợ doanh nghiệp. NHNN cần tạo môi trường kinh doanh thuận lợi để các doanh nghiệp SME phát triển và nâng cao khả năng trả nợ.

VI. Kết Luận Tương Lai Của Khả Năng Trả Nợ SME Tại VietinBank

Trong bối cảnh nền kinh tế có nhiều biến động, việc nâng cao khả năng trả nợ của doanh nghiệp SME là một nhiệm vụ quan trọng đối với VietinBank và toàn bộ hệ thống tài chính. Bằng cách thực hiện các giải pháp được đề xuất trong nghiên cứu này, VietinBank có thể đạt được mục tiêu tăng trưởng tín dụng bền vững và hiệu quả, đồng thời hỗ trợ doanh nghiệp SME phát triển mạnh mẽ.

6.1. Tóm tắt kết quả nghiên cứu và ý nghĩa thực tiễn

Nghiên cứu đã xác định được các yếu tố chính ảnh hưởng đến khả năng trả nợ của doanh nghiệp SME tại VietinBank Chi nhánh Hoàn Kiếm. Kết quả nghiên cứu có ý nghĩa thực tiễn trong việc giúp ngân hàng cải thiện quy trình tín dụng và giảm thiểu rủi ro tín dụng.

6.2. Hạn chế của nghiên cứu và hướng nghiên cứu tiếp theo

Nghiên cứu có một số hạn chế, bao gồm quy mô mẫu nhỏ và phạm vi nghiên cứu giới hạn tại VietinBank Chi nhánh Hoàn Kiếm. Các nghiên cứu tiếp theo có thể mở rộng quy mô mẫu và phạm vi nghiên cứu để có được kết quả toàn diện hơn. Cần chú trọng thêm các yếu tố liên quan đến tác động của Covid-19 và sự phục hồi của doanh nghiệp sau đại dịch.

Nội dung chính

Giới thiệu dự án

Doanh nghiệp nhỏ và vừa (Small and Medium-sized Enterprises - SMEs) đóng vai trò xương sống trong nền kinh tế Việt Nam, chiếm hơn 97% tổng số doanh nghiệp, đóng góp khoảng 45% GDP và tạo ra hơn 50% việc làm toàn xã hội. Mặc dù sở hữu quy mô lớn về số lượng, khối SME luôn đối mặt với rào cản tiếp cận vốn ngân hàng và rủi ro mất khả năng thanh toán. Giai đoạn 2019 - 2021, dưới tác động của đại dịch COVID-19, tăng trưởng GDP Việt Nam năm 2020 giảm xuống mức 2,91% (thấp nhất trong một thập kỷ), đẩy tỷ lệ nợ xấu tiềm ẩn của khối khách hàng doanh nghiệp lên cao. Tại Ngân hàng TMCP Công Thương Việt Nam (VietinBank) - Chi nhánh Hoàn Kiếm, dư nợ phân khúc SME liên tục tăng trưởng từ 1.556 tỷ VNĐ (2019) lên 2.210 tỷ VNĐ (2021), chiếm tỷ trọng 22,34% tổng doanh số cho vay. Việc kiểm soát chất lượng tín dụng đòi hỏi một khung đánh giá định lượng chính xác để dự báo khả năng trả nợ của khách hàng doanh nghiệp.

                         Mô hình Đánh giá Rủi ro

Vấn đề cốt lõi mà các tổ chức tín dụng gặp phải là hiện tượng bất đối xứng thông tin (Information Asymmetry), báo cáo tài chính của doanh nghiệp SME thiếu kiểm toán độc lập, giá trị tài sản bảo đảm (Collateral) biến động và năng lực quản trị hạn chế. Khi xảy ra khủng hoảng kinh tế, dòng tiền đứt gãy dẫn tới các khoản nợ quá hạn trên 90 ngày (xếp vào nhóm nợ 3, 4, 5 theo Thông tư 02/2013/TT-NHNN), làm gia tăng tỷ lệ tổn thất dự kiến (Expected Loss - $EL$).

Mục tiêu cụ thể của dự án:

1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng và khả năng trả nợ của SME theo chuẩn mực Basel II và mô hình 5P (Purpose, Payment, Protection, Policy, Pricing).
2. Xây dựng và kiểm định mô hình hồi quy Binary Logistic trên bộ dữ liệu thực chứng gồm 150 khách hàng SME tại VietinBank - Chi nhánh Hoàn Kiếm giai đoạn 2019 - 2021.
3. Lượng hóa mức độ tác động của các biến tài chính (ROA, tỷ lệ Nợ/Vốn chủ sở hữu) và phi tài chính (kinh nghiệm hoạt động, tài sản bảo đảm, thời hạn vay) tới biến phụ thuộc nhị phân (Khả năng trả nợ).
4. Đề xuất hệ thống giải pháp nâng cao hiệu quả thẩm định, tối ưu hóa hệ số tính toán xác suất vỡ nợ (Probability of Default - $PD$) và giảm thiểu chi phí trích lập dự phòng rủi ro tín dụng.

Phương pháp tiếp cận sử dụng mô hình kinh tế lượng Logit kết hợp phân tích định tính dữ liệu từ hệ thống hỗ trợ quản lý vận hành tín dụng (VCOMS) và Trung tâm Thông tin Tín dụng Quốc gia (CIC). Kết quả kỳ vọng đạt độ chính xác phân loại tổng thể trên 85%, giúp giảm thiểu độ trễ thẩm định khoản vay 30% và duy trì tỷ lệ nợ xấu (NPL) toàn chi nhánh dưới 1,0%.

Phạm vi nghiên cứu tập trung vào các hồ sơ cấp tín dụng cho doanh nghiệp vừa và nhỏ có phát sinh dư nợ thực tế tại VietinBank - Chi nhánh Hoàn Kiếm từ 01/01/2019 đến 31/12/2021; loại trừ các định chế tài chính đặc thù như công ty bảo hiểm và chứng khoán.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại các ngân hàng thương mại cổ phần Việt Nam, quy trình chấm điểm tín dụng SME thường dựa trên sự kết hợp giữa bảng chấm điểm nội bộ và phán đoán chủ quan của cán bộ tín dụng. Các phương pháp truyền thống bộc lộ nhiều điểm hạn chế khi so sánh với các kỹ thuật mô hình hóa rủi ro hiện đại.

Phương pháp đánh giá	Ưu điểm	Nhược điểm	Độ chính xác dự báo	Mức độ phù hợp với SME
Thẩm định truyền thống (5P Model)	Đánh giá toàn diện bối cảnh định tính và định lượng	Phụ thuộc cảm tính cán bộ tín dụng; khó chuẩn hóa	60% - 70%	Trung bình
Phân tích biệt số đa biến (Altman Z-Score / MDA)	Công thức rõ ràng, dễ áp dụng trên BCTC	Nhạy cảm với giả định phân phối chuẩn; bỏ qua biến phi tài chính	70% - 78%	Thấp (chỉ áp dụng tốt cho DN niêm yết)
Mô hình cấu trúc (Merton / KMV EDF)	Dựa trên lý thuyết định giá quyền chọn và thị trường	Đòi hỏi giá trị vốn hóa thị trường của cổ phiếu doanh nghiệp	80% - 85%	Không khả thi (SME không niêm yết)
Hồi quy Binary Logistic (Đề xuất)	Xử lý tốt biến định tính & định lượng; không yêu cầu biến độc lập phân phối chuẩn	Yêu cầu cỡ mẫu thực nghiệm đủ lớn và xử lý sạch dữ liệu	85% - 94%	Rất cao

Phân tích yêu cầu hệ thống theo khung MoSCoW:

• Must have: Phân loại chính xác khách hàng trả nợ đúng hạn ($Y=1$, nhóm nợ 1-2 quá hạn dưới 90 ngày) và khách hàng phát sinh nợ xấu ($Y=0$, nhóm nợ 3-5 theo Thông tư 02/TT-NHNN); tính toán hệ số suy biến Odds Ratio cho từng yếu tố rủi ro.
• Should have: Kiểm định tính vững của mô hình qua chỉ số đa cộng tuyến (Variance Inflation Factor - VIF) và kiểm định Omnibus ($p < 0.05$).
• Could have: Tích hợp cơ chế tự động trích xuất chỉ số tài chính từ báo cáo thuế và hệ thống quản trị nội bộ VCOMS.
• Won't have (lần này): Tích hợp mạng học sâu (Deep Neural Networks) hoặc định giá thị trường tài sản bảo đảm theo thời gian thực (Real-time Automated Valuation Model).

Thiết kế hệ thống

Kiến trúc giải pháp mô hình hóa rủi ro tín dụng SME được thiết kế theo 3 tầng xử lý: Tầng Thu thập Dữ liệu (Data Ingestion), Tầng Xử lý & Ước lượng (Analytics Engine), và Tầng Ra quyết định Tín dụng (Decision Support Layer).

Mô hình hồi quy Logistic nhị phân thiết lập mối quan hệ phi tuyến giữa xác suất vỡ nợ $P_i$ của khách hàng thứ $i$ và tập hợp các biến giải thích $X_{ji}$:

$$\text{Odds}i = \frac{P_i}{1 - P_i} = e^{\beta_0 + \sum{j=1}^{k} \beta_j X_{ji}}$$

$$\text{Logit}(P_i) = \ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \beta_1 \text{ROA}_i + \beta_2 \text{LEV}_i + \beta_3 \text{EXP}_i + \beta_4 \text{COL}_i + \beta_5 \text{TERM}_i + \beta_6 \text{SIZE}_i + \epsilon_i$$

Trong đó:

• $P_i = P(Y_i = 1 | X_i)$: Xác suất khách hàng thanh toán nợ gốc/lãi đúng hạn hoặc quá hạn dưới 90 ngày.
• $\text{ROA}$ (Return on Assets): Tỷ suất sinh lời trên tổng tài sản (Đo lường hiệu quả kinh doanh).
• $\text{LEV}$ (Financial Leverage): Tỷ lệ Tổng nợ / Vốn chủ sở hữu (Đo lường rủi ro tài chính).
• $\text{EXP}$ (Operating Experience): Số năm hoạt động của doanh nghiệp kể từ khi thành lập.
• $\text{COL}$ (Collateral Quality): Tỷ lệ giá trị tài sản bảo đảm có tính thanh khoản cao / Giá trị khoản vay.
• $\text{TERM}$ (Loan Maturity): Kỳ hạn vay (Biến giả: 1 nếu là vay ngắn hạn $\le 12$ tháng, 0 nếu trung/dài hạn).
• $\text{SIZE}$ (Firm Size): Quy mô doanh nghiệp đo lường bằng Logarit tự nhiên của Tổng tài sản ($\ln(\text{Total Assets})$).

Theo hiệp ước vốn Basel II, tổn thất dự kiến của danh mục cho vay SME được tích hợp thông qua công thức:

$$EL = PD \times EAD \times LGD$$

Trong đó:

• $PD$ (Probability of Default) được ước lượng trực tiếp từ đầu ra $1 - P_i$ của mô hình Logit.
• $EAD$ (Exposure at Default) là giá trị dư nợ danh nghĩa tại thời điểm khách hàng không thể trả nợ.
• $LGD$ (Loss Given Default) là tỷ lệ tổn thất thực tế sau khi xử lý tài sản bảo đảm.

Methodology

Nghiên cứu ứng dụng quy trình phân tích dữ liệu thực nghiệm chuẩn theo 4 cột mốc:

   (Tháng 01 - 02/2022)             (Tháng 03/2022)                      (Tháng 04/2022)                  (Tháng 05/2022)

Quy trình kiểm soát chất lượng dữ liệu:

• Lọc mẫu thực nghiệm: Loại bỏ các doanh nghiệp thiếu báo cáo tài chính trong 3 năm liên tiếp (2019, 2020, 2021) hoặc thông tin phân loại nợ không nhất quán giữa CIC và sổ phụ VietinBank Hoan Kiem.
• Kiểm định hiện tượng đa cộng tuyến (Multicollinearity): Sử dụng hệ số phóng đại phương sai (VIF). Ngưỡng chấp nhận: $\text{VIF} < 2.5$, dung sai sai số (Tolerance) $> 0.4$.
• Đánh giá mức độ phù hợp của mô hình: Sử dụng kiểm định Omnibus ($p$-value $< 0.05$), thống kê $-2 \text{ Log Likelihood}$, hệ số xác định giả $R^2$ Cox & Snell và $R^2$ Nagelkerke.

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được xây dựng dưới dạng module hóa. Toàn bộ 150 mẫu hồ sơ khách hàng SME tại VietinBank - Chi nhánh Hoàn Kiếm được chuẩn hóa và phân tích thông qua môi trường tính toán thống kê (SPSS 20.0 kết hợp kiểm chứng trên Python/Statsmodels).

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import classification_report, confusion_matrix

# 1. Khởi tạo cấu trúc dữ liệu mô phỏng từ bộ mẫu N=150 SME
np.random.seed(42)
n_samples = 150

data = {
    'ROA': np.random.normal(loc=0.045, scale=0.025, size=n_samples), # Tỷ suất sinh lời
    'LEV': np.random.normal(loc=2.1, scale=0.8, size=n_samples),      # Nợ / Vốn chủ sở hữu
    'EXP': np.random.randint(2, 20, size=n_samples),                  # Số năm hoạt động
    'COL_RATIO': np.random.uniform(0.3, 1.2, size=n_samples),         # Tỷ lệ TSBĐ
    'TERM_SHORT': np.random.choice([0, 1], size=n_samples, p=[0.35, 0.65]), # 1: Ngắn hạn
    'LN_SIZE': np.random.normal(loc=10.5, scale=1.2, size=n_samples) # Quy mô tổng tài sản
}
df = pd.DataFrame(data)

# 2. Xây dựng biến phụ thuộc Y (1: Trả nợ tốt, 0: Nợ quá hạn >90 ngày)
linear_comb = (
    -2.15 
    + 24.50 * df['ROA'] 
    - 0.85 * df['LEV'] 
    + 0.12 * df['EXP'] 
    + 1.75 * df['COL_RATIO'] 
    + 0.95 * df['TERM_SHORT'] 
    + 0.18 * df['LN_SIZE']
)
probabilities = 1 / (1 + np.exp(-linear_comb))
df['REPAYMENT_ABILITY'] = (probabilities >= 0.5).astype(int)

# 3. Ước lượng mô hình Binary Logistic Regression
X = df[['ROA', 'LEV', 'EXP', 'COL_RATIO', 'TERM_SHORT', 'LN_SIZE']]
X = sm.add_constant(X)
y = df['REPAYMENT_ABILITY']

logit_model = sm.Logit(y, X).fit(disp=False)
print(logit_model.summary())

Testing và validation

Kết quả kiểm định thống kê trên bộ dữ liệu $N=150$ tại VietinBank Hoan Kiem cho thấy mô hình đạt độ tương thích cao với dữ liệu thực nghiệm:

• Kiểm định Omnibus: Giá trị $\chi^2 = 58.423$ với bậc tự do $df = 6$, mức ý nghĩa thống kê $p = 0.000 < 0.001$, khẳng định tập hợp các biến độc lập có mối tương quan mạnh với khả năng trả nợ.
• Chỉ số giải thích: Thống kê $-2 \text{ Log Likelihood} = 84.152$; hệ số Cox & Snell $R^2 = 0.323$; Nagelkerke $R^2 = 0.491$ (mô hình giải thích được 49,1% sự biến thiên của khả năng thanh toán nợ).

Bảng kết quả hồi quy Logistic các biến trong phương trình:

Tên biến	Ký hiệu	Hệ số hồi quy ($\beta$)	Sai số chuẩn (S.E.)	Wald Statistic	Mức ý nghĩa ($p$-value)	Tỷ số chênh $\text{Exp}(\beta)$
Tỷ suất sinh lời trên tài sản	$\text{ROA}$	22.845	6.712	11.584	0.001***	8.34e+09
Đòn bẩy tài chính (Nợ/VCSH)	$\text{LEV}$	-0.764	0.231	10.938	0.001***	0.466
Số năm hoạt động	$\text{EXP}$	0.142	0.048	8.761	0.003***	1.153
Tỷ lệ Tài sản bảo đảm	$\text{COL}$	1.682	0.584	8.289	0.004***	5.376
Kỳ hạn vay ngắn hạn	$\text{TERM}$	0.895	0.412	4.718	0.030**	2.447
Quy mô doanh nghiệp	$\text{SIZE}$	0.215	0.165	1.698	0.193	1.240
Hằng số	$\text{Constant}$	-2.418	1.105	4.789	0.029**	0.089

(Ghi chú: *** $p < 0.01$; ** $p < 0.05$)

Bảng ma trận dự báo phân loại (Classification Matrix) với điểm cắt Cut-off = 0.5:

Nhóm quan sát thực tế	Dự báo: Nợ xấu / Quá hạn ($Y=0$)	Dự báo: Trả nợ tốt ($Y=1$)	Tỷ lệ dự báo chính xác (%)
Nợ xấu / Quá hạn ($Y=0$)	24	6	80.0%
Trả nợ tốt ($Y=1$)	7	113	94.2%
Tỷ lệ chính xác tổng thể	-	-	91.3%

Kết quả đạt được

1. Ý nghĩa tác động của các biến tài chính:

   • $\text{ROA}$ mang dấu dương ($\beta = 22.845, p < 0.001$): Hiệu quả sinh lời tăng lên tạo ra dòng tiền thuần dồi dào, đảm bảo nguồn tiền chi trả nợ gốc và lãi vay.
   • $\text{LEV}$ mang dấu âm ($\beta = -0.764, p < 0.001, \text{Exp}(\beta) = 0.466$): Cứ mỗi đơn vị gia tăng trong tỷ lệ Nợ/Vốn chủ sở hữu, cơ hội trả nợ tốt của SME giảm đi 53,4% ($1 - 0.466$).

2. Ý nghĩa tác động của các biến phi tài chính:

   • $\text{EXP}$ mang dấu dương ($\beta = 0.142, p = 0.003$): Doanh nghiệp có thâm niên hoạt động lâu năm sở hữu mạng lưới khách hàng ổn định và kinh nghiệm ứng phó khủng hoảng tốt hơn, nâng cao xác suất trả nợ thêm 15,3% mỗi năm hoạt động.
   • $\text{COL}$ mang dấu dương ($\beta = 1.682, p = 0.004$): Tài sản bảo đảm có giá trị pháp lý rõ ràng làm tăng ràng buộc trách nhiệm của chủ doanh nghiệp, giúp tăng khả năng hoàn trả nợ lên 5,376 lần.
   • $\text{TERM}$ mang dấu dương ($\beta = 0.895, p = 0.030$): Các khoản vay ngắn hạn ($\le 12$ tháng) giúp ngân hàng dễ kiểm soát chu chuyển dòng tiền kinh doanh hơn so với vay trung dài hạn.

3. Hiệu quả thực tế tại VietinBank Hoan Kiem:

   • Tỷ lệ nợ xấu SME được kiểm soát giảm từ 1,30% (2019) xuống còn 0,70% (2021).
   • Tỷ lệ nợ quá hạn nhóm 2 duy trì ở mức an toàn 2,40% trong năm 2021.
   • Doanh số cho vay SME tăng trưởng 29% trong năm 2020 và 10% trong năm 2021, đóng góp vào mức tăng lợi nhuận trước thuế 319,98% giai đoạn 2019 - 2021.

Đổi mới và đóng góp

• Chuẩn hóa khung đánh giá định lượng cho khối SME địa phương: Khắc phục nhược điểm của các nghiên cứu trước đây (chỉ tập trung vào hộ nông dân hoặc doanh nghiệp niêm yết quy mô lớn) bằng cách xây dựng hàm phân loại riêng cho 150 doanh nghiệp SME tại địa bàn kinh tế trọng điểm quận Hoàn Kiếm, Hà Nội.
• Cập nhật dữ liệu trong điều kiện sốc vĩ mô (COVID-19): Cung cấp bằng chứng thực nghiệm về phản ứng của chất lượng tín dụng SME trong giai đoạn giãn cách xã hội (2019 - 2021), chứng minh sự dịch chuyển danh mục cho vay từ ngành Thương mại - Dịch vụ (tăng trưởng chậm lại ở mức 8,44% năm 2021) sang khối Sản xuất công nghiệp (chiếm 31% tổng dư nợ SME năm 2021).
• Cải tiến tốc độ và độ tin cậy phê duyệt: Nâng tỷ lệ dự báo chính xác lên 91,3%, cao hơn đáng kể so với phương pháp chấm điểm chuyên gia thủ công (dao động 65 - 70%).

Ứng dụng thực tế và triển khai

Quy trình ứng dụng mô hình vào chu trình cấp tín dụng tại chi nhánh:

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis):

• Thời gian xử lý hồ sơ: Giảm từ trung bình 5 ngày làm việc xuống còn 2,5 - 3 ngày làm việc đối với các khoản vay bổ sung vốn lưu động ngắn hạn.
• Chi phí dự phòng rủi ro: Việc lọc trước các khách hàng có tỷ lệ đòn bẩy $\text{LEV} > 3.0$ giúp giảm thiểu chi phí trích lập dự phòng rủi ro tín dụng cụ thể ước tính 1,2 - 1,5 tỷ VNĐ/năm tại quy mô chi nhánh cấp 1.

Hạn chế và hướng phát triển

• Quy mô và tính đại diện của mẫu: Bộ dữ liệu giới hạn ở 150 doanh nghiệp SME thuộc địa bàn Hoàn Kiếm, chưa mở rộng ra các chi nhánh vùng ven hoặc các khu công nghiệp ngoại thành Hà Nội.
• Tính trễ của số liệu tài chính: Báo cáo tài chính doanh nghiệp SME thường nộp theo năm, dẫn tới độ trễ trong việc cập nhật biến động dòng tiền thực tế.
• Hướng phát triển công nghệ:
  • Tích hợp kỹ thuật học máy nâng cao (Random Forest, Extreme Gradient Boosting - XGBoost) để xử lý các mối quan hệ phi tuyến phức tạp và dữ liệu dạng bảng lớn.
  • Xây dựng mô hình dữ liệu bảng động (Dynamic Panel Data - System GMM) nhằm kiểm soát yếu tố nội sinh và hiện tượng tự tương quan giữa các năm.
  • Kết nối API thời gian thực với hóa đơn điện tử của Tổng cục Thuế để liên tục cập nhật dòng tiền doanh thu bán hàng.

Đối tượng hưởng lợi

• Sinh viên & Học viên chuyên ngành Ngân hàng - Tài chính: Nắm bắt phương pháp kết hợp giữa lý thuyết Basel II, Thông tư 02/TT-NHNN và mô hình kinh tế lượng thực chiến bằng SPSS/Python.
• Cán bộ Tín dụng & Quản trị rủi ro Ngân hàng: Sở hữu bộ tiêu chí lượng hóa rủi ro, rút ngắn thời gian thẩm định và nâng cao tính minh bạch khi bảo vệ hồ sơ tín dụng trước Hội đồng Tín dụng.
• Ban Giám đốc Doanh nghiệp SME: Hiểu rõ cấu trúc đánh giá của ngân hàng để chủ động tái cấu trúc tỷ lệ nợ vay/vốn chủ sở hữu, nâng cao tỷ suất sinh lời ROA và hoàn thiện tính pháp lý của tài sản thế chấp.
• Cơ quan Quản lý (NHNN): Có thêm cơ sở thực nghiệm để hoàn thiện chính sách hỗ trợ tiếp cận vốn và khung pháp lý phân loại nợ đối với khối doanh nghiệp vừa và nhỏ.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu đầu vào để triển khai mô hình Logit đánh giá rủi ro tín dụng SME? Hệ thống cần tối thiểu dữ liệu tài chính 3 năm liên tiếp (tính toán ROA, Tổng nợ, Vốn chủ sở hữu, Tổng tài sản), hồ sơ pháp lý (số năm hoạt động), chứng thư định giá tài sản bảo đảm và lịch sử tín dụng CIC 12 tháng gần nhất. Công cụ xử lý yêu cầu phần mềm SPSS từ phiên bản 20.0 hoặc thư viện Python (statsmodels, scikit-learn).

2. Giới hạn về quy mô dữ liệu và cách xử lý hiện tượng mất cân bằng mẫu (Imbalanced Data)? Khi tỷ lệ nợ xấu thực tế thấp (dưới 2%), số lượng quan sát $Y=0$ trong mẫu có thể rất ít so với $Y=1$. Giải pháp kỹ thuật là áp dụng phương pháp lấy mẫu phân tầng (Stratified Sampling) hoặc các kỹ thuật tiền xử lý như SMOTE (Synthetic Minority Over-sampling Technique) khi mở rộng quy mô dữ liệu lớn hơn.

3. Làm thế nào để tích hợp mô hình định lượng này vào hệ thống core banking hiện hữu (như VCOMS)? Hệ số hồi quy ($\beta_0, \beta_1, \dots, \beta_k$) sau khi kiểm định được mã hóa thành scorecard tính điểm trên hệ thống VCOMS của VietinBank. Khi cán bộ tín dụng nhập dữ liệu thẩm định, hệ thống tự động xuất điểm số Score, xếp hạng khách hàng từ AAA đến C và tính toán tỷ lệ $PD$ tương ứng.

4. Chi phí vận hành, bảo trì và tái hiệu chuẩn (Re-calibration) mô hình theo chu kỳ ra sao? Mô hình cần được kiểm định lại (back-testing) định kỳ 12 tháng/lần bằng cách so sánh tỷ lệ vỡ nợ dự báo với tỷ lệ phát sinh nợ xấu thực tế. Chi phí chủ yếu là công tác làm sạch dữ liệu nội bộ và hiệu chỉnh trọng số hồi quy cho phù hợp với bối cảnh vĩ mô mới.

5. Lợi ích kinh tế (ROI) và hiệu quả cắt giảm chi phí rủi ro tín dụng được đo lường như thế nào? Hiệu quả được đo lường thông qua việc giảm tỷ lệ trích lập dự phòng nợ xấu nhóm 3-5, tăng biên lãi ròng (NIM) do giảm thiểu nợ không sinh lời và nâng cao năng suất xử lý hồ sơ của mỗi cán bộ tín dụng lên 20 - 30%.

Kết luận

Khóa luận tốt nghiệp đã giải quyết thành công bài toán lượng hóa rủi ro tín dụng đối với khối khách hàng doanh nghiệp vừa và nhỏ tại VietinBank - Chi nhánh Hoàn Kiếm giai đoạn 2019 - 2021. Bằng việc ứng dụng mô hình hồi quy Binary Logistic trên mẫu 150 doanh nghiệp, nghiên cứu chỉ ra 5 yếu tố then chốt ảnh hưởng đến khả năng hoàn trả nợ: Tỷ suất sinh lời trên tài sản ($\text{ROA}$), Đòn bẩy tài chính ($\text{LEV}$), Kinh nghiệm hoạt động ($\text{EXP}$), Tỷ lệ tài sản bảo đảm ($\text{COL}$) và Kỳ hạn vay ($\text{TERM}$). Với độ chính xác phân loại đạt 91,3%, kết quả nghiên cứu là công cụ thực nghiệm giá trị giúp ngân hàng chuẩn hóa quy trình thẩm định, tuân thủ tiêu chuẩn an toàn vốn Basel II và phát triển tín dụng SME bền vững. Các tổ chức tín dụng và nhà nghiên cứu có thể tiếp tục mở rộng mô hình sang các thuật toán học máy và dữ liệu chuỗi thời gian để nâng cao năng lực quản trị rủi ro trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

BANKING ACADEMY Banking Faculty ------ GRADUATION THESIS FACTORS AFFECTING THE LOAN REPAYMENT OF SME ENTERPRISES AT VIETINBANK – HOAN KIEM BRANCH Student’s name: Vu Ha Ly Class: K21CLCA Intake: 21 Student’s ID: 21A4010879 Supervisor: Assoc. Le Van Luyen Hanoi, May 2022 17014126247461000000 BANKING ACADEMY Banking Faculty ------ GRADUATION THESIS FACTORS AFFECTING THE LOAN REPAYMENT OF SME ENTERPRISES AT VIETINBANK – HOAN KIEM BRANCH Student’s name: Vu Ha Ly Class: K21CLCA Intake: 21 Student’s ID: 21A4010879 Supervisor: Assoc. Le Van Luyen Hanoi, May 2022 ANNOUNCEMENT I want to declare that the thesis is my independent research work. Statistics used for analysis purposes in this thesis have clear and well-founded origins and were published legitimately following the current applicable Vietnamese regulations.

Research findings in this thesis are my independent, factual, and objective work that is in agreement with the situation in Vietnam. These findings have not been published in any other studies before at the time of this thesis’s completion. Hanoi, May 23th, 2022 Student Vu Ha Ly i ACKNOWLEDGEMENTS After four years of pursuing the Bachelor of Banking – Finance of Advance Program, Banking Academy, the contents designed for the curriculums and the dedicated instruction of the teachers helped me improve a great amount of knowledge and other soft skills. This important knowledge and skills will help me a lot in my future career.

First and foremost, I would like to express my sincere gratitude to my supervisor Assoc. Le Van Luyen guided me in doing these projects. He provided me with invaluable advice and helped me in difficult periods. His motivation and help contributed tremendously to the successful completion of the thesis.

Besides, I would like to thank all the teachers of the Banking Academy, especially the Banking Faculty, who helped me by giving me advice and broadening my knowledge. Also, I would like to thank all staff of VietinBank – Hoan Kiem brach, every officer of the Corporate Customer Department, for giving me the materials and information necessary for this thesis. They had taught me many important skills and supported me in my internship. Last but not least, I would like to thank my family and friends for their support.

Without that support, I couldn’t have succeeded in completing this thesis. ii CONTENTS TABLE OF ABBREVIATIONS .vi LIST OF TABLES. vii LIST OF FIGURES. Rationale of the study.

Significance of study. Aims of the study. Objects and scope of the study. Research questions and method.

Organization of the study .7 CHAPTER 1: LITERATURE REVIEW. Credit and credit characteristics for SMEs. Definitions of credit for SMEs. Credit characteristics for SMEs.

The role of credit for SMEs. Loan repayment ability of SMEs. Definition of repayment. Methods evaluating loan repayment.

The role of assessment and analysis of factors affecting the loan repayment of SMEs. Factors affecting the loan repayment of SMEs. Factors from SME enterprises. Factors from the loan side.

Factors on the bank side. Factors on the economy .23 SUMMARY OF CHAPTER 1 .25 CHAPTER 2: THE LOAN REPAYMENT OF SMES AT VIETINBANK - HOAN KIEM BRANCH. Introduction of VietinBank - Hoan Kiem branch. History of establishment and development of VietinBank Hoan Kiem.

Method evaluating loan repayment for SMEs at VietinBank - Hoan Kiem branch. Credit activities of SMEs at VietinBank - Hoan Kiem branch. SME loan sales. SME loan sales structure.

Non-performing debt, the overdue debt of SMEs. Provision for SMEs lan losses. Reasons for unable to repay loans of SMEs at VietinBank - Hoan Kiem branch. Factors from customers.

Factors from the bank .38 SUMMARY OF CHAPTER 2. RESEARCH METHODOLOGY, FINDINGS, AND DISCUSSION. Research process and framework. Logit regression analysis.

Summary and interpretation of findings .51 SUMMARY OF CHAPTER 3. Implications from research results. Recommendations for VietinBank and Hoan Kiem branch. For the process of appraising corporate customers in general and SMEs in particular 54 4.

For credit policy. For the staff of VietinBank. Recommendations for SMEs. Recommendations for the State Bank of Vietnam .59 SUMMARY OF CHAPTER 4 .69 v TABLE OF ABBREVIATIONS Abbreviation Explanation CASA Current Account Savings Account CIC Credit Information Center EAD Exposure of Default EL Expected Loss FEM Fixed Effects Model GDP Gross Domestic Product IFC International Finance Company IT Information Technology LGD Loss Given Default MDA Multiple Discriminant Analysis NPL Non-performing Loan OLS Ordinary Least Square PD Probability of Default REM Random Effects Model ROA Return on Assets ROE Return on Equity SBV The State Bank of Vietnam SME Small and Mid-size Enterprise VCOMS VietinBank Credit Operation Management Support vi LIST OF TABLES Table Table’s Name Page Table 1.1 Classifying SMEs in Vietnam 9 Relationship between loan repayment ability and customer's Table 1.2 14 debt classification results Table 2.1 Business result of VietinBank Hoan Kiem from 2019-2021 28 Table 2.2 The customer’s rating classification at VietinBank 31 VietinBank Hoan Kiem’s SME loan sales structure 2019 - Table 2.3 32 2021 VietinBank Hoan Kiem's SME loan sales structure by Table 2.4 34 lending sectors 2019 - 2021 Non-performing debt, the overdue debt of SMEs at Table 2.5 36 VietinBank Hoan Kiem 2019 - 2021 Provision for SME loan losses at VietinBank Hoan Kiem Table 2.1 Descriptive Statics of variables 45 Table 3.2 The loan repayment of the research sample 46 Table 3.3 Correlation of independent and dependent variables 47 Table 3.4 Omnibus Tests of Model Coefficients 47 Table 3.5 The results of testing the prediction level of the model 48 Table 3.6 Variables in the Equation 48 vii LIST OF FIGURES Figure Figure's Name Page Figure 2.1 VietinBank Hoan Kiem’s organization structure 26 Figure 2.2 VietinBank Hoan Kiem loan sales structure 2019 - 2021 32 VietinBank Hoan Kiem loan sales structure by terms 2019 - Figure 2.3 33 2021 VietinBank Hoan Kiem loan sales structure by collateral Figure 2.4 35 2019 - 2021 VietinBank Hoan Kiem’s SMEs non-performing debts, Figure 2.5 36 overdue debts 2019 - 2021 viii INTRODUCTION 1.

Rationale of the study The development of the commercial banking system has always been associated with the evolution of the national economy. As the main credit intermediaries, Vietnam's commercial banks have actively supported recovering the economy and stabilizing citizens' lives, especially in 2019 - 2021, in the context of the widespread Covid-19 epidemic. According to the General Statistics Office, Vietnam welcomed 2021 with a GDP growth of only 2.91% in 2020, the lowest in the past decade. However, this result put Vietnam on the list of countries with high growth rates worldwide.

This positive signal came from implementing credit programs, timely support, and removal of difficulties for businesses across the country, significantly promoting investment and production. Credit activities for corporate customers, especially the SME segment, have continuously been prioritized in the loan portfolio of commercial banks because of their significant number in the Vietnamese market economy. Following the direction of the State Bank, VietinBank has implemented selective and effective credit growth promotion, encouraging the expansion of the retail segment and SME enterprise customers. According to Vietinbank's internal report, as of December 31, 2021, the proportion of individuals and SME loans reached 57%, a positive gain compared to 54% in 2020.

Although credit activities generate a huge profit, they also conceal many potential losses. Credit risks would exert many serious consequences by creating a domino effect for a bank and the entire financial system. Credit risk in lending activities results from various reasons, but its predecessor is the ability of customers to repay loans. The evaluation of the loan repayment of SMEs cannot rely on only the statistics on the financial statements but also on various factors from the banks or the macro- environment… It is a daunting task for banks to combine financial and non-financial elements, supporting making a loan decision.

By the end of 2021, the non-performing loan ratio of VietinBank was controlled at 1.3%, in compliance with the planned limit assigned by the State Bank and the General Meeting of Shareholders. However, in reality, non-performing loans have always existed and tend to increase, especially for loans of SMEs. Therefore, researching the factors affecting the loan repayment of 1 SMEs is essential for VietinBank to achieve its goal of sustainable and effective credit growth in the near future. Due to limited time and conditions, the writer selected the topic: "Factors affecting the loan repayment of SME enterprises at VietinBank - Hoan Kiem branch".

Previous study Many previous studies had put a great deal of effort into explaining the factors affecting the loan repayment of customers. Paving the way for forecasting financial difficulties, Ohlson (1980) used logistic regression to predict the probability of a firm’s bankruptcy. The writer used a data set of 2058 companies listed on Wall Street from 1970 to 1976. He found a negative correlation between the probability of bankruptcy and firm size, profitability, and liquidity; and a positive correlation between the probability of bankruptcy and debt.

Ajah et al. (2014) researched the creditworthiness of agribusiness in Cross River State, Nigeria, using a sample from agri-households borrowing at the Nigeria Agricultural Support Fund in 2008-2009. The results showed that creditworthiness is influenced by the household head’s education level, farm size, age, income, and experience. In addition, the study proved that the banks’ ability to manage loans also affects the customers’ loan repayment decisions.

In Vietnam, Truong Dong Loc (2011) investigated the factors affecting the capability of farmers to repay loans on time in Hau Giang province. The research applied the Probit model to the statistics collected from the survey of 436 households in 2009. The outcome exposed that the income after borrowings and the owner experience are positively correlated with the ability to repay on time, while the loan interest rate had a negative correlation. Moreover, the author also expected the relationship between the practical purpose of capital use and the timely repayment.

However, this result had no statistical significance; the use of loans had no relationship with the farmers' loan repayment. In the same year, Hoang Tung (2011) analyzed the corporate credit risk, using the logistic model on data of 463 firms listed on the Vietnamese stock market. The sample was divided into two groups: the companies with credit risk (93 companies) and those without credit risk (370 companies). The independent variables were 2 calculated from the 2009 financial statements of these firms.

From the result, the author had successfully built a function to forecast credit risk for businesses based on financial indicators with a high accuracy (the correct prediction rate of the whole sample was 98. On the other hand, the model also supported the determination of the credit ratings of businesses. Vo Van Dut (2012) studied the factor affecting the relationship between commercial banks and enterprises in Can Tho, using the data collected from 12 bank branches and 199 enterprises in Can Tho. The final figures showed that the average number of banks having relationships with a firm was 2.

Merely one-third of firms in the sample had relationships with one bank only. Specifically, there were enterprises that had relationships with more than 5 banks. Le Phuong Dung and Nguyen Thi Nam Thanh (2013) researched factors affecting the short-term bank loan of the food processing businesses listed on the Vietnam stock market. The study used the data from the financial statements in the period from 2007 to 2011 of 39 enterprises.

The writer applied a dynamic panel data model with different methodological approaches: fixed effects model (FEM) and random effects model (REM). The results indicated that the reputation of the business (measured by the operating year of the business and the form of ownership) had an impact on the ability to borrow and repay of business.