Tổng quan nghiên cứu

Trong hệ thống tài chính hiện đại, hoạt động tín dụng luôn là nguồn tạo thu nhập chủ lực của các ngân hàng thương mại, điển hình như tại Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV) khi thu nhập từ lãi và phí bảo lãnh chiếm tới 84% tổng thu nhập năm 2018. Tuy nhiên, hoạt động này cũng tiềm ẩn nguy cơ tổn thất cao nhất nếu không kiểm soát tốt khả năng trả nợ của khách hàng. Thực tiễn tại BIDV Chi nhánh Long An giai đoạn 2016 - 2018 cho thấy tỷ lệ nợ xấu biến động phức tạp, tăng từ 2,76% năm 2016 lên đỉnh điểm 4,99% năm 2017, trước khi giảm mạnh xuống 0,29% vào năm 2018 nhờ các biện pháp xử lý quyết liệt. Đáng chú ý, tỷ lệ nợ quá hạn từ 91 ngày trở lên của khối khách hàng doanh nghiệp từng chiếm tới 18% tổng dư nợ doanh nghiệp vào năm 2016 và 12% vào năm 2017, tập trung chủ yếu ở các ngành nhạy cảm như kinh doanh lúa gạo và bất động sản.

Mục tiêu trọng tâm của nghiên cứu là nhận diện, đo lường và lượng hóa mức độ tác động của các nhân tố đặc trưng thuộc về doanh nghiệp và khoản vay đến khả năng hoàn trả nợ vay của khách hàng doanh nghiệp tại BIDV Long An. Không gian nghiên cứu được thực hiện tại địa bàn tỉnh Long An với dữ liệu thực nghiệm thu thập từ 106 doanh nghiệp đủ điều kiện xếp hạng tín dụng nội bộ trong giai đoạn 2016 - 2018, tương ứng 318 quan sát định kỳ.

Kết quả nghiên cứu mang ý nghĩa thực tiễn sâu sắc khi cung cấp hệ số dự báo định lượng xác suất vỡ nợ, hỗ trợ chi nhánh chuẩn hóa quy trình thẩm định, tối ưu hóa danh mục dư nợ doanh nghiệp vốn chiếm 36% tổng dư nợ toàn chi nhánh (đạt 1.452 tỷ đồng vào cuối năm 2018), đồng thời giảm thiểu tính chủ quan của cán bộ tín dụng trong quá trình xét duyệt và giám sát vốn vay.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết quản trị rủi ro tín dụng của Hiệp ước Basel II và các hướng dẫn phân loại nợ của Nhóm Chuyên gia Tư vấn Liên Hợp Quốc (AEG, 2004). Theo Điều 452 Ủy ban Basel (2006), khách hàng mất khả năng trả nợ (default) được xác định khi khoản vay quá hạn trên 90 ngày hoặc ngân hàng nhận định khách hàng không thể thực hiện nghĩa vụ thanh toán đầy đủ. Mô hình tổn thất tín dụng dự tính ($EL = PD \times LGD \times EAD$) chỉ ra rằng xác suất vỡ nợ ($PD$) gắn liền trực tiếp với năng lực hoàn trả của khách hàng. Bên cạnh đó, nghiên cứu kết hợp Thuyết tín hiệu (Signaling Theory) của Flannery (1986) về hành vi chọn kỳ hạn vay và Thuyết kiệt quệ tài chính của Fitzpatrick (1931) cùng Lally (2003) giải thích tác động của cấu trúc vốn và hiệu quả hoạt động.

Khung khái niệm chính trong đề tài gồm:

  • Khả năng trả nợ của khách hàng doanh nghiệp: Năng lực tài chính và dòng tiền bảo đảm thực hiện đúng nghĩa vụ nợ gốc và lãi theo cam kết hợp đồng tín dụng.
  • Rủi ro tín dụng và Nợ xấu: Được xác định theo Thông tư 02/2013/TT-NHNN, bao gồm các khoản nợ thuộc nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn).
  • Hệ thống xếp hạng tín dụng nội bộ (XHTDNB): Công cụ chấm điểm kết hợp chỉ tiêu tài chính, phi tài chính và dấu hiệu cảnh báo sớm theo Quyết định 1126/QĐ-BIDV.LA và Văn bản 10546/BIDV-QLTD.

Mô hình nghiên cứu phân tích tác động của 6 biến độc lập: Số năm hoạt động ($H_1$), Đòn bẩy tài chính ($H_2$), Hiệu quả kinh doanh ($H_3$), Tỷ lệ tài sản bảo đảm ($H_4$), Thời gian vay ($H_5$) và Quy mô khoản vay ($H_6$) đến biến phụ thuộc là khả năng trả nợ.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng thông qua mô hình hồi quy Binary Logistic, xử lý bằng phần mềm thống kê IBM SPSS Statistics 20.0. Dữ liệu thứ cấp được trích xuất trực tiếp từ hệ thống phần mềm ngân hàng lõi SIBS của BIDV, chương trình XHTDNB, bảng cân đối kế toán, báo cáo tài chính kiểm toán và báo cáo phân loại nợ định kỳ từ Trung tâm Thông tin Tín dụng Quốc gia (CIC).

Cỡ mẫu nghiên cứu gồm 106 khách hàng doanh nghiệp đang có quan hệ tín dụng thực tế, với tổng cộng 318 quan sát được thu thập liên tục trong 3 năm tài chính (2016 - 2018). Phương pháp chọn mẫu là chọn mẫu toàn bộ các doanh nghiệp đủ điều kiện dữ liệu xếp hạng tín dụng nội bộ tại BIDV Long An. Trong 318 quan sát, có 86 quan sát thuộc nhóm không có khả năng trả nợ (chiếm tỷ lệ 27,04%) và 232 quan sát thuộc nhóm thực hiện trả nợ tốt (chiếm 72,96%).

Lý do lựa chọn mô hình Binary Logistic thay vì hồi quy tuyến tính OLS là do biến phụ thuộc mang tính chất nhị phân ($Y = 1$: khách hàng trả nợ tốt/trong hạn hoặc quá hạn dưới 90 ngày; $Y = 0$: khách hàng mất khả năng trả nợ/quá hạn từ 91 ngày trở lên hoặc có nợ cơ cấu). Mô hình hồi quy logistic giúp ước lượng chính xác xác suất xảy ra biến cố vỡ nợ, đảm bảo giá trị dự báo nằm trong khoảng [0, 1] và vượt qua các kiểm định Omnibus, chỉ số tương quan Nagelkerke $R^2$ cùng bảng phân loại dự báo có độ chính xác cao.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Kết quả kiểm định hồi quy Binary Logistic với 318 quan sát đã chỉ ra 3 nhân tố có ý nghĩa thống kê tác động trực tiếp đến khả năng trả nợ của khách hàng doanh nghiệp tại BIDV Long An:

  • Hiệu quả kinh doanh tác động tích cực lớn nhất: Doanh nghiệp có tỷ suất sinh lời trên tài sản và doanh thu càng cao thì xác suất thanh toán nợ đúng hạn càng lớn, tương đồng với giả thuyết $H_3$. Khả năng tạo dòng tiền ròng vững chắc giúp doanh nghiệp chủ động chi trả gốc và lãi đúng hạn mà không phụ thuộc vào tái cấp vốn.
  • Số năm hoạt động của doanh nghiệp có mối quan hệ đồng biến (+): Thâm niên hoạt động của doanh nghiệp phản ánh kinh nghiệm thương trường, mạng lưới đối tác bền vững và khả năng chống chịu biến động vĩ mô (chứng minh giả thuyết $H_1$). Các doanh nghiệp có thâm niên trên 5 năm tại Long An có tỷ lệ an toàn tín dụng cao hơn 35% so với các đơn vị mới thành lập dưới 3 năm.
  • Thời gian vay tác động nghịch biến (-): Các khoản vay trung và dài hạn tiềm ẩn nguy cơ chậm trả hoặc mất khả năng thanh toán cao hơn đáng kể so với khoản vay ngắn hạn, phù hợp với giả thuyết $H_5$. Tại BIDV Long An, dư nợ ngắn hạn chiếm ưu thế từ 63% đến 67% tổng dư nợ doanh nghiệp nhưng duy trì tỷ lệ quá hạn thấp, trong khi các khoản vay kéo dài trên 12 tháng phát sinh rủi ro cao hơn do biến động chu kỳ kinh doanh.
  • Cơ cấu dư nợ và nợ xấu cục bộ: Khối khách hàng doanh nghiệp nhỏ và vừa (SMEs) chiếm tỷ trọng áp đảo 78% dư nợ doanh nghiệp (đạt trên 1.130 tỷ đồng năm 2018), nhưng đây cũng là nhóm có báo cáo tài chính thiếu chuẩn hóa, dẫn đến nguy cơ sai lệch trong khâu chấm điểm tín dụng ban đầu.

Thảo luận kết quả

Các phát hiện thực nghiệm phản ánh đúng thực trạng kinh tế địa phương và chu kỳ tín dụng tại Long An giai đoạn 2016 - 2018. Tình trạng nợ xấu tăng vọt lên 4,99% vào năm 2017 xuất phát từ sự sụt giảm nguồn thu của các doanh nghiệp chế biến, xuất khẩu lúa gạo khi thị trường xuất khẩu bị thu hẹp và giá nông sản biến động mạnh. Dữ liệu thực tế cho thấy các khoản nợ quá hạn từ 181 đến 360 ngày từng lên tới 227 tỷ đồng vào năm 2017 trước khi được thu hồi và xử lý tài sản bảo đảm vào năm 2018.

Khi trình bày các phát hiện này, mối quan hệ giữa các nhóm biến có thể được trực quan hóa hiệu quả thông qua ma trận tương quan hồi quy và biểu đồ phân phối nợ xấu đa chiều:

Nhóm nhân tố Biến nghiên cứu Chiều tác động Mức độ ảnh hưởng thực nghiệm
Năng lực doanh nghiệp Hiệu quả kinh doanh (Khả năng sinh lời) Dương (+) Tác động mạnh nhất đến xác suất trả nợ
Kinh nghiệm thị trường Số năm hoạt động của doanh nghiệp Dương (+) Giảm thiểu rủi ro hoạt động và vỡ nợ
Đặc tính khoản vay Thời gian vay (Kỳ hạn cấp tín dụng) Âm (-) Khoản vay dài hạn có rủi ro quá hạn cao hơn

Kết quả này hoàn toàn tương đồng với các công trình nghiên cứu quốc tế của Coravos (2010), Petrunia (2007) và Jimenez & Saurina (2003). Một nguyên nhân sâu xa dẫn đến nợ quá hạn tại BIDV Long An là hiện tượng bất cân xứng thông tin và việc doanh nghiệp sử dụng vốn sai mục đích (lấy vốn lưu động ngắn hạn tài trợ cho nhà xưởng hoặc bất động sản dài hạn). Khi thị trường đảo chiều, dòng tiền thu hồi không kịp bù đắp nghĩa vụ nợ đến hạn, làm gia tăng nợ nhóm 3, 4, 5.

Đề xuất và khuyến nghị

Nhằm nâng cao chất lượng tín dụng và cải thiện khả năng trả nợ của khách hàng doanh nghiệp, nghiên cứu đề xuất 4 nhóm giải pháp chiến lược:

  • Tái cơ cấu quy trình thẩm định dòng tiền thực tế và hiệu quả sinh lời:

    • Hành động: Chuyển đổi trọng tâm thẩm định từ tài sản bảo đảm sang đánh giá dòng tiền kinh doanh ròng (Operating Cash Flow) và chu chuyển dòng tiền thực tế qua tài khoản ngân hàng.
    • Target metric: Giảm tỷ lệ sai lệch dự báo dòng tiền xuống dưới 10%; tối thiểu 80% doanh thu của bên vay phải được cam kết luân chuyển qua tài khoản thanh toán tại BIDV.
    • Timeline & Chủ thể: Triển khai định kỳ hàng quý bởi Phòng Khách hàng Doanh nghiệp và Phòng Quản lý rủi ro.
  • Thiết lập chính sách cấp hạn mức linh hoạt theo thâm niên doanh nghiệp:

    • Hành động: Xây dựng bộ tiêu chí xếp hạng phân tầng, áp dụng chính sách ưu đãi lãi suất và tinh giản thủ tục cho doanh nghiệp có thâm niên hoạt động liên tục trên 5 năm và lịch sử tín dụng minh bạch.
    • Target metric: Nâng tỷ trọng dư nợ nhóm doanh nghiệp có thâm niên cao lên trên 70% tổng dư nợ KHDN của chi nhánh.
    • Timeline & Chủ thể: Ban Giám đốc phê duyệt và áp dụng xuyên suốt giai đoạn 2019 - 2022.
  • Tăng cường kiểm soát mục đích sử dụng vốn và quản trị kỳ hạn vay:

    • Hành động: Thiết lập cơ chế hậu kiểm độc lập sau giải ngân, kiểm tra đột xuất hiện trường nhà xưởng, kho bãi và chứng từ thanh toán đầu ra trong vòng 30 ngày kể từ ngày giải ngân.
    • Target metric: Đưa tỷ lệ phát hiện và ngăn chặn vi phạm sử dụng vốn sai mục đích đạt 100%, duy trì tỷ lệ nợ xấu KHDN dưới mức 1,0%.
    • Timeline & Chủ thể: Cán bộ tín dụng phối hợp với Phòng Quản trị tín dụng thực hiện định kỳ 30 - 60 ngày/lần.
  • Chuẩn hóa hệ thống xếp hạng tín dụng nội bộ và tích hợp dữ liệu CIC đa nguồn:

    • Hành động: Ứng dụng công nghệ đối soát tự động báo cáo tài chính với cơ quan thuế và dữ liệu nợ liên ngân hàng từ CIC để loại bỏ báo cáo tài chính chưa chuẩn xác của doanh nghiệp SMEs.
    • Target metric: Rút ngắn thời gian tra cứu và xác minh thông tin từ 48 giờ xuống dưới 12 giờ làm việc.
    • Timeline & Chủ thể: Khối Quản lý rủi ro và Bộ phận Công nghệ thông tin BIDV triển khai trên toàn hệ thống.

Đối tượng nên tham khảo luận văn

  • Ban điều hành và Chuyên viên phân tích tín dụng tại các Ngân hàng Thương mại:

    • Lợi ích & Use Case: Ứng dụng trực tiếp bộ trọng số hồi quy logistic để cải tiến mô hình xếp hạng tín dụng nội bộ; xây dựng hạn mức tín dụng phù hợp cho phân khúc doanh nghiệp vừa và nhỏ (SMEs), giúp giảm chi phí trích lập dự phòng rủi ro từ 15% đến 20%.
  • Giám đốc Tài chính (CFO) và Nhà quản trị doanh nghiệp:

    • Lợi ích & Use Case: Nhận diện các tiêu chí định lượng mà ngân hàng sử dụng để đánh giá hồ sơ vay vốn; từ đó tối ưu hóa cơ cấu nợ ngắn - dài hạn, cải thiện tỷ suất sinh lời và duy trì xếp hạng tín nhiệm ở mức AAA hoặc AA để tiếp cận nguồn vốn lãi suất thấp.
  • Học viên cao học, Nghiên cứu sinh ngành Tài chính - Ngân hàng:

    • Lợi ích & Use Case: Tham khảo phương pháp luận khoa học, cấu trúc xây dựng mô hình Binary Logistic trên dữ liệu bảng gộp (pooled data), cùng kỹ thuật xử lý dữ liệu vi mô của 318 quan sát thực tế trên phần mềm SPSS.
  • Cơ quan quản lý và Thanh tra Ngân hàng Nhà nước:

    • Lợi ích & Use Case: Nắm bắt thực trạng rủi ro tín dụng tại địa bàn kinh tế trọng điểm phía Nam; tham khảo dữ liệu thực nghiệm để xây dựng chính sách điều hành tín dụng theo ngành nghề (đặc biệt là nông nghiệp lúa gạo và bất động sản).

Câu hỏi thường gặp

Mô hình hồi quy Binary Logistic có ưu điểm gì trong đánh giá khả năng trả nợ của doanh nghiệp?

Mô hình Binary Logistic phù hợp tối ưu với các biến phụ thuộc dạng định tính nhị phân (trả nợ đúng hạn hoặc mất khả năng trả nợ). Khác với hồi quy tuyến tính OLS, mô hình này khắc phục hoàn toàn nhược điểm dự báo xác suất nằm ngoài khoảng [0, 1], cho phép lượng hóa chính xác xác suất vỡ nợ của 106 khách hàng doanh nghiệp với độ tin cậy thống kê cao.

Vì sao số năm hoạt động của doanh nghiệp lại tác động tích cực đến khả năng hoàn trả nợ vay?

Doanh nghiệp hoạt động lâu năm sở hữu bề dày kinh nghiệm quản trị, tệp khách hàng ổn định và khả năng thích ứng linh hoạt trước biến động kinh tế. Thực tế tại Long An cho thấy các doanh nghiệp trên 5 năm tuổi luôn duy trì dòng tiền ổn định, giúp tỷ lệ nợ xấu ở nhóm này thấp hơn 35% so với các doanh nghiệp non trẻ.

Nguyên nhân chính khiến nợ xấu tại BIDV Long An tăng vọt lên mức 4,99% trong năm 2017 là gì?

Nguyên nhân chủ yếu do sự suy giảm hoạt động kinh doanh của các doanh nghiệp ngành lúa gạo khi giá cả thị trường biến động và hạn ngạch xuất khẩu bị thu hẹp. Dư nợ quá hạn từ 181 đến 360 ngày của nhóm này tăng lên 227 tỷ đồng trong năm 2017, buộc ngân hàng phải tăng mạnh trích lập dự phòng rủi ro.

Kỳ hạn cho vay dài hạn có mối liên hệ như thế nào đối với rủi ro mất khả năng trả nợ?

Kết quả nghiên cứu chứng minh thời gian vay có hệ số hồi quy âm (-), đồng nghĩa khoản vay trung và dài hạn tiềm ẩn rủi ro trả nợ cao hơn. Thời gian hoàn vốn kéo dài khiến ngân hàng và doanh nghiệp khó dự báo chính xác biến động thị trường vĩ mô, làm gia tăng khả năng đứt gãy dòng tiền trả nợ.

Ngân hàng cần áp dụng giải pháp nào để kiểm soát tình trạng doanh nghiệp sử dụng vốn sai mục đích?

BIDV Long An cần thực hiện quy trình kiểm tra sau giải ngân trong vòng 30 ngày, thu thập hóa đơn thanh toán thực tế và kiểm tra hiện trường định kỳ 60 ngày/lần. Đồng thời, áp dụng điều khoản phong tỏa tài khoản hoặc thu hồi nợ trước hạn nếu phát hiện doanh nghiệp dùng vốn vay ngắn hạn để đầu tư tài sản cố định dài hạn.

Kết luận

  • Luận văn đã xác định và lượng hóa 3 nhân tố then chốt ảnh hưởng đến khả năng trả nợ của doanh nghiệp tại BIDV Long An: Hiệu quả kinh doanh (+), Số năm hoạt động (+) và Thời gian vay (-).
  • Mẫu nghiên cứu thực nghiệm gồm 106 doanh nghiệp với 318 quan sát giai đoạn 2016 - 2018 khẳng định tính ứng dụng cao của mô hình Binary Logistic trong dự báo xác suất tổn thất tín dụng.
  • Thực trạng nợ xấu đã được chi nhánh kiểm soát thành công từ mức 4,99% năm 2017 xuống 0,29% năm 2018, chứng minh tính đúng đắn của việc siết chặt quản trị nợ quá hạn và tái cơ cấu khách hàng.
  • Lộ trình 2019 - 2022 đặt ra yêu cầu cấp thiết về việc hoàn thiện hệ thống xếp hạng tín dụng nội bộ, tích hợp dữ liệu lớn liên ngành và kiểm soát dòng tiền sau giải ngân.
  • Đề tài là tài liệu tham khảo giá trị cho các nhà nghiên cứu học thuật và nhà quản trị ngân hàng trong việc thiết kế các công cụ định lượng quản trị rủi ro tín dụng hiện đại theo chuẩn mực quốc tế.