Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế Việt Nam hội nhập sâu rộng sau khi gia nhập WTO, công tác quản trị rủi ro tín dụng tại các ngân hàng thương mại cổ phần đối mặt với nhiều thách thức to lớn. Tính đến ngày 30 tháng 06 năm 2013, Ngân hàng Thương mại Cổ phần Quân Đội (MB) ghi nhận quy mô vốn điều lệ đạt 10.000 tỷ đồng, vốn chủ sở hữu đạt 10.625 tỷ đồng và tổng tài sản đạt mức 170.040 tỷ đồng. Tuy nhiên, tỷ lệ nợ xấu của ngân hàng có xu hướng gia tăng từ mức 1,84% vào cuối năm 2012 lên đến 2,7% trong 6 tháng đầu năm 2013. Sự biến động này phản ánh áp lực suy thoái kinh tế cũng như sự cần thiết phải kiểm soát chặt chẽ danh mục cho vay doanh nghiệp, vốn là phân khúc mang lại nguồn thu nhập lớn nhưng tiềm ẩn nhiều nguy cơ mất vốn.

Hệ thống xếp hạng tín dụng doanh nghiệp nội bộ của MB được chính thức vận hành từ ngày 28 tháng 04 năm 2008 theo Quyết định số 1346/QĐ-NHQĐ-HS. Sau 5 năm triển khai thực tế, hệ thống đã bộc lộ một số hạn chế nhất định như chưa bao quát hết các nhóm ngành kinh tế phát sinh, thiếu vắng các chỉ tiêu đánh giá dòng tiền và tỷ trọng chấm điểm phi tài chính còn mang tính chủ quan. Mục tiêu nghiên cứu trọng tâm của luận văn là phân tích thực trạng vận hành hệ thống xếp hạng tín dụng doanh nghiệp tại MB trong giai đoạn 2010 đến 2013, ứng dụng mô hình định lượng Binary Logistic để đánh giá lại bộ chỉ tiêu tài chính, từ đó đề xuất hệ thống giải pháp toàn diện nhằm nâng cao năng lực phòng ngừa rủi ro, tối ưu hóa công tác phân loại nợ và trích lập dự phòng rủi ro tín dụng theo chuẩn mực quốc tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của luận văn được xây dựng dựa trên sự kết hợp giữa lý thuyết quản trị rủi ro tín dụng hiện đại và các mô hình đo lường định lượng được thừa nhận rộng rãi trên thế giới.

Đầu tiên, mô hình điểm số Z của Edward Altman cung cấp nền tảng định lượng quan trọng trong việc dự báo nguy cơ vỡ nợ của doanh nghiệp. Điểm số Z là thước đo tổng hợp dựa trên 5 tỷ số tài chính phản ánh vốn lưu động, lợi nhuận giữ lại, khả năng sinh lời, đòn bẩy và hiệu quả sử dụng tài sản, phân chia doanh nghiệp thành 3 vùng rủi ro rõ rệt: vùng an toàn với điểm số Z lớn hơn 2,99, vùng cảnh báo từ 1,81 đến 2,99 và vùng nguy hiểm dưới 1,81.

Thứ hai, mô hình hồi quy Binary Logistic được áp dụng nhằm xác định xác suất vỡ nợ thực tế thông qua việc nghiên cứu mối quan hệ phụ thuộc giữa biến nhị phân đại diện cho trạng thái trả nợ của khách hàng và các biến độc lập là các chỉ số tài chính.

Thứ ba, khung đánh giá 6C bao gồm Tư cách người vay (Character), Năng lực (Capacity), Thu nhập từ dòng tiền (Cash), Bảo đảm tiền vay (Collateral), Điều kiện kinh tế (Conditions) và Kiểm soát (Control) được vận dụng để chuẩn hóa các chỉ tiêu định tính phi tài chính.

Hệ thống lý thuyết cũng tham chiếu các chuẩn mực xếp hạng tín nhiệm quốc tế từ Standard & Poor's (S&P), hướng dẫn của Công ty Kiểm toán Ernst & Young, cùng các quy định pháp lý của Ngân hàng Nhà nước Việt Nam như Quyết định số 493/2005/QĐ-NHNN và Quyết định số 18/2007/QĐ-NHNN về phân loại nợ và trích lập dự phòng rủi ro.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp kết hợp giữa phân tích định tính và mô hình hóa định lượng:

  • Cỡ mẫu và kỹ thuật chọn mẫu: Mẫu nghiên cứu bao gồm dữ liệu báo cáo tài chính của 350 doanh nghiệp có quan hệ tín dụng thực tế tại MB trong giai đoạn 2010 – 2012. Phương pháp chọn mẫu phi xác suất có chủ đích được áp dụng nhằm bao quát đầy đủ 7 nhóm ngành kinh tế chính và đại diện cho cả 3 quy mô doanh nghiệp lớn, vừa và nhỏ.
  • Nguồn dữ liệu: Dữ liệu thứ cấp được trích xuất từ báo cáo tài chính kiểm toán và chưa kiểm toán của doanh nghiệp, báo cáo thẩm định tín dụng nội bộ của MB, cùng dữ liệu lịch sử nợ từ Trung tâm Thông tin Tín dụng Quốc gia (CIC).
  • Phương pháp phân tích: Luận văn sử dụng phần mềm thống kê SPSS để thực hiện phân tích thống kê mô tả, kiểm định tương quan Pearson, kiểm định Omnibus và chạy mô hình hồi quy Binary Logistic. Biến phụ thuộc Y nhận giá trị 1 nếu doanh nghiệp trả nợ đầy đủ đúng hạn và nhận giá trị 0 nếu doanh nghiệp phát sinh nợ xấu nhóm 3, nhóm 4 hoặc nhóm 5.
  • Lý do lựa chọn phương pháp: Mô hình Binary Logistic được lựa chọn vì biến phụ thuộc mang bản chất nhị phân, cho phép ước lượng trực tiếp xác suất xảy ra biến cố vỡ nợ mà không đòi hỏi các biến độc lập phải tuân theo phân phối chuẩn nghiêm ngặt như phương pháp phân tích biệt số đa biến cổ điển.
  • Timeline nghiên cứu: Dữ liệu được thu thập, xử lý và kiểm định trong giai đoạn từ tháng 01 năm 2010 đến tháng 10 năm 2013.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực trạng hệ thống xếp hạng tín dụng nội bộ tại MB và kết quả ước lượng mô hình hồi quy Binary Logistic đã chỉ ra 4 phát hiện quan trọng:

Thứ nhất, cơ cấu phân bổ trọng số hiện hành của MB bộc lộ sự mất cân đối lớn khi nhóm chỉ tiêu phi tài chính chiếm tỷ trọng quá cao, từ 70% đối với báo cáo tài chính có kiểm toán đến 75% đối với báo cáo tài chính không có kiểm toán. Trọng số nhóm chỉ tiêu tài chính chỉ dao động từ 25% đến 30%, dẫn đến việc kết quả xếp hạng cuối cùng phụ thuộc nhiều vào cảm tính chủ quan của cán bộ thẩm định.

Thứ hai, áp lực gia tăng rủi ro tín dụng tại MB thể hiện rõ nét qua số liệu tài chính giai đoạn 2010 – 2012. Chi phí dự phòng rủi ro tín dụng năm 2012 đã tăng vọt lên mức 1.933 tỷ đồng, tương ứng mức tăng 221% so với mức 603 tỷ đồng của năm 2011. Đáng chú ý, nợ nhóm 4 (nợ nghi ngờ) tăng trưởng 290% từ 111 tỷ đồng năm 2011 lên 433 tỷ đồng năm 2012, phản ánh sự suy giảm nghiêm trọng về chất lượng tín dụng doanh nghiệp.

Thứ ba, tỷ lệ thực hiện xếp hạng tín dụng định kỳ chưa đạt mức tối đa. Năm 2012, trong tổng số 3.767 doanh nghiệp thuộc đối tượng bắt buộc phải xếp hạng tại MB, chỉ có 2.433 doanh nghiệp được thực hiện xếp hạng đầy đủ trong năm, đạt tỷ lệ khoảng 64,58%. Nguyên nhân xuất phát từ việc quy định hiện hành chỉ cho phép chấm điểm các doanh nghiệp có đủ 2 năm báo cáo tài chính liên tiếp.

Thứ tư, kết quả kiểm định hồi quy Binary Logistic cho thấy 4 biến tài chính có ý nghĩa thống kê cao ở mức ý nghĩa 5% trong việc dự báo xác suất thực hiện nghĩa vụ nợ của doanh nghiệp, bao gồm: tỷ số thanh toán hiện hành, hệ số nợ trên tổng tài sản, tỷ suất sinh lời trên vốn chủ sở hữu (ROE) và tỷ số EBIT trên chi phí lãi vay.

Thảo luận kết quả

Thực trạng nợ xấu gia tăng và tỷ lệ sai lệch trong xếp hạng tín dụng tại MB bắt nguồn từ nhiều nguyên nhân khách quan và chủ quan. Về mặt khách quan, giai đoạn 2011 – 2012 chứng kiến sự suy thoái của thị trường bất động sản và sự đình trệ trong các ngành sản xuất vật liệu xây dựng, sắt thép và thương mại nông sản. Về mặt chủ quan, hệ thống phần mềm xếp hạng tín dụng của MB vận hành từ năm 2008 mang tính độc lập, chưa được kết nối tự động với hệ thống Core Banking, buộc nhân viên phải nhập liệu thủ công gây chậm trễ và sai sót dữ liệu.

Khi so sánh với chuẩn mực xếp hạng của Standard & Poor's (S&P), hệ thống của MB thiếu hẳn các chỉ tiêu đo lường dòng tiền từ hoạt động kinh doanh (như tỷ số FFO trên tổng nợ hay tỷ số dòng tiền thuần từ hoạt động kinh doanh trên dư nợ vay). Điều này khiến ngân hàng khó nhận diện những doanh nghiệp có lợi nhuận kế toán cao nhưng dòng tiền kinh doanh bị thâm hụt nghiêm trọng.

Trong các báo cáo phân tích rủi ro định kỳ, toàn bộ dữ liệu biến động chuyển nhóm nợ từ nhóm 1 đến nhóm 5 có thể được trực quan hóa thông qua ma trận chuyển hạng tín dụng và biểu đồ phân phối xác suất vỡ nợ, giúp ban điều hành nhận diện trực quan xu hướng dịch chuyển rủi ro của từng danh mục ngành kinh tế.

Đề xuất và khuyến nghị

Nhằm nâng cao chất lượng quản trị rủi ro tín dụng và hoàn thiện hệ thống xếp hạng tín dụng nội bộ, ngân hàng cần triển khai 4 nhóm giải pháp trọng tâm:

Thứ nhất, nâng cấp và tích hợp toàn diện hệ thống công nghệ thông tin. Ban Công nghệ thông tin phối hợp cùng Khối Quản trị rủi ro MB hoàn thành việc tích hợp module xếp hạng tín dụng tự động vào hệ thống Core Banking trước quý IV năm 2014. Mục tiêu cụ thể là tự động hóa 100% việc kết xuất dữ liệu lịch sử giao dịch của khách hàng, giảm 50% thời gian xử lý hồ sơ chấm điểm cho cán bộ tín dụng chi nhánh.

Thứ hai, tái cấu trúc bộ chỉ tiêu và điều chỉnh phân bổ trọng số đánh giá. Hội đồng Quản trị MB phê duyệt ban hành bộ tiêu chí mới trong giai đoạn 2014 – 2015, trong đó tăng tỷ trọng nhóm chỉ tiêu tài chính lên mức 45% - 50%, đồng thời bổ sung 3 chỉ số dòng tiền then chốt: tỷ số FFO trên tổng nợ, tỷ số EBIT trên chi phí trả lãi và tỷ số dòng tiền thuần từ hoạt động kinh doanh trên nợ ngắn hạn.

Thứ ba, mở rộng phân loại ngành kinh tế và chuẩn hóa đối tượng xếp hạng. Khối Thẩm định mở rộng danh mục phân loại từ 30 ngành lên 45 phân ngành kinh tế chi tiết nhằm tránh việc áp đặt khung tiêu chuẩn chung cho các ngành đặc thù. Đồng thời, xây dựng khung chấm điểm riêng biệt cho nhóm khách hàng doanh nghiệp vừa và nhỏ chưa có đủ 2 năm báo cáo tài chính liên tiếp, đảm bảo độ bao phủ xếp hạng đạt 100% danh mục dư nợ doanh nghiệp trước năm 2015.

Thứ tư, nâng cao năng lực chuyên môn và siết chặt kiểm soát tuân thủ. Khối Nhân sự định kỳ tổ chức 2 khóa đào tạo chuyên sâu mỗi năm về phân tích báo cáo tài chính và thẩm định định tính cho hơn 5.000 cán bộ nhân viên toàn hệ thống, gắn kết quả xếp hạng tín dụng với chính sách định giá lãi suất cho vay và trích lập dự phòng rủi ro theo Điều 7 Quyết định số 493/2005/QĐ-NHNN.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn phong phú cho 4 nhóm đối tượng:

Thứ nhất, cán bộ quản trị rủi ro và chuyên viên thẩm định tín dụng tại các ngân hàng thương mại: Nắm bắt phương pháp kết hợp mô hình định lượng Binary Logistic với các chỉ tiêu định tính, hỗ trợ xây dựng công cụ sàng lọc khách hàng vay vốn và thiết lập hạn mức tín dụng chuẩn xác.

Thứ hai, ban lãnh đạo và chuyên viên hoạch định chính sách ngân hàng: Sử dụng tài liệu như một cẩm nang tham khảo để tái cấu trúc quy trình phân loại nợ, điều chỉnh chính sách lãi suất theo mức độ rủi ro và chuẩn bị lộ trình đáp ứng hiệp ước an toàn vốn quốc tế Basel II.

Thứ ba, học viên cao học và nhà nghiên cứu chuyên ngành Tài chính – Ngân hàng: Tiếp cận nguồn tài liệu tham khảo chất lượng về phương pháp luận nghiên cứu thực nghiệm, kỹ thuật xử lý dữ liệu báo cáo tài chính doanh nghiệp và kiểm định mô hình xác suất vỡ nợ bằng phần mềm thống kê.

Thứ tư, các tổ chức định mức tín nhiệm và chuyên viên phân tích đầu tư: Khai thác bài học kinh nghiệm từ mô hình xếp hạng của S&P, Moody's và CIC để xây dựng hệ thống thang điểm đánh giá độc lập, minh bạch cho thị trường trái phiếu và thị trường vốn tại Việt Nam.

Câu hỏi thường gặp

Tại sao MB cần kết hợp mô hình Binary Logistic trong hệ thống xếp hạng tín dụng doanh nghiệp?

Mô hình Binary Logistic cho phép ngân hàng lượng hóa chính xác xác suất vỡ nợ của doanh nghiệp dựa trên các tỷ số tài chính thực nghiệm. Phương pháp này khắc phục tính chủ quan của phương pháp chuyên gia truyền thống, giúp ngân hàng nhận diện sớm các tín hiệu rủi ro khi doanh nghiệp có dấu hiệu suy giảm khả năng thanh toán.

Hệ thống xếp hạng tín dụng của MB giai đoạn 2008 – 2013 có hạn chế lớn nhất là gì?

Hạn chế lớn nhất là tỷ trọng nhóm chỉ tiêu phi tài chính chiếm quá cao (70% - 75%), trong khi hệ thống chỉ mới bao quát 30 ngành nghề và chưa tích hợp chỉ số lưu chuyển tiền tệ. Ngoài ra, phần mềm chấm điểm vận hành tách biệt với Core Banking, gây kéo dài thời gian tác nghiệp và làm giảm tính chính xác của dữ liệu.

Xếp hạng tín dụng doanh nghiệp khác biệt như thế nào so với xếp hạng khoản vay?

Xếp hạng tín dụng doanh nghiệp tập trung đánh giá tổng thể năng lực tài chính và thiện chí trả nợ của chủ thể đi vay trong một thời kỳ nhất định. Ngược lại, xếp hạng khoản vay gắn liền với từng giao dịch cụ thể, phụ thuộc vào giá trị tài sản bảo đảm, thời hạn vay và các điều khoản cam kết trong hợp đồng tín dụng.

Biến động nợ xấu của MB giai đoạn 2010 – 2013 phản ánh điều gì về công tác quản trị rủi ro?

Tỷ lệ nợ xấu tăng từ mức 1,84% năm 2012 lên 2,7% vào giữa năm 2013, cùng với chi phí dự phòng rủi ro năm 2012 đạt 1.933 tỷ đồng (tăng 221% so với năm 2011). Điều này phản ánh tác động tiêu cực của suy thoái kinh tế và cho thấy hệ thống xếp hạng cũ chưa phát huy tối đa vai trò cảnh báo sớm đối với các khoản vay rủi ro cao.

Việc bổ sung các chỉ tiêu dòng tiền mang lại lợi ích gì cho hệ thống xếp hạng tín dụng?

Các chỉ tiêu dòng tiền như FFO trên tổng nợ hay EBIT trên chi phí lãi vay phản ánh khả năng tạo tiền thực tế từ hoạt động sản xuất kinh doanh của doanh nghiệp. Việc bổ sung nhóm chỉ số này giúp loại trừ các sai lệch do thủ thuật kế toán ghi nhận doanh thu ảo, đảm bảo nguồn tiền trả nợ thực chất cho ngân hàng.

Kết luận

  • Luận văn đã hệ thống hóa toàn diện cơ sở lý luận về xếp hạng tín dụng doanh nghiệp tại ngân hàng thương mại, phân tích sâu sắc các mô hình kinh điển như Altman Z-score và chuẩn mực quốc tế của S&P.
  • Phân tích chi tiết thực trạng vận hành hệ thống xếp hạng tín dụng tại MB giai đoạn 2008 – 2013, chỉ rõ sự mất cân đối khi tỷ trọng phi tài chính chiếm từ 70% đến 75% tổng điểm đánh giá.
  • Ứng dụng thành công mô hình hồi quy Binary Logistic trên mẫu 350 doanh nghiệp, chứng minh ý nghĩa thống kê của 4 tỷ số tài chính cốt lõi gồm thanh toán hiện hành, hệ số nợ, ROE và EBIT trên chi phí lãi vay ở mức ý nghĩa 5%.
  • Đề xuất hệ thống 4 nhóm giải pháp mang tính khả thi cao: nâng cấp phần mềm tích hợp Core Banking trước quý IV/2014, tăng tỷ trọng chỉ tiêu tài chính lên 45% - 50%, mở rộng từ 30 lên 45 phân ngành và đào tạo hơn 5.000 cán bộ nhân viên.
  • Kết quả nghiên cứu là tài liệu tham khảo giá trị giúp MB và các ngân hàng thương mại nâng cao hiệu quả phòng ngừa rủi ro nợ xấu, tối ưu hóa công tác trích lập dự phòng và từng bước tiệm cận các chuẩn mực an toàn vốn Basel II. Quý độc giả và các nhà nghiên cứu có thể vận dụng trực tiếp các đề xuất này để hoàn thiện công tác thẩm định tín dụng tại đơn vị.