Luận văn thạc sĩ ứng dụng mô hình logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại ngân hàng tmcp đầu tư và phát triển việt nam

Luận văn thạc sĩ phân tích mô hình logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại ngân hàng TMCP Đầu tư và Phát triển Việt Nam.

• Tác giả: Nguyễn Hoàng An
• Người hướng dẫn: PGS.TS Trầm Thị Xuân Hương
• Trường học: Trường Đại Học Kinh Tế TP Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Đánh Giá Khả Năng Trả Nợ Của Khách Hàng Doanh Nghiệp Tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam Bằng Mô Hình Logit
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: TP Hồ Chí Minh

Mục lục chi tiết

• TRANG PHỤ BÌA
• LỜI CAM ĐOAN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC BIỂU ĐỒ
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Giới thiệu vấn đề nghiên cứu
• 1.2. Sự cần thiết của vấn đề nghiên cứu
• 1.3. Mục tiêu nghiên cứu
• 1.4. Câu hỏi nghiên cứu
• 1.5. Đối tượng và phạm vi nghiên cứu
• 1.6. Phương pháp nghiên cứu
• 1.7. Kết cấu của luận văn
• 1.8. Ý nghĩa khoa học của đề tài nghiên cứu
• 1.9. Tóm tắt chương 1
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG VÀ MÔ HÌNH LOGIT
• 2.1. Giới thiệu chương
• 2.2. Nền tảng lý thuyết
• 2.2.1. Tổng quan về khả năng trả nợ của khách hàng doanh nghiệp
• 2.2.1.1. Khái quát về khả năng trả nợ của khách hàng
• 2.2.1.2. Những yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp
• 2.2.1.3. Ý nghĩa và vai trò của đánh giá khả năng trả nợ của khách hàng doanh nghiệp
• 2.2.2. Lý thuyết về mô hình Logit sử dụng trong việc đánh giá khả năng trả nợ của khách hàng
• 2.2.2.1. Một số mô hình tiêu biểu được sử dụng trong việc đánh giá khả năng trả nợ của khách hàng
• 2.2.2.2. Tổng quan mô hình Logit
• 2.3. Lược khảo các nghiên cứu trước có liên quan đến vấn đề nghiên cứu
• 2.3.1. Nghiên cứu của Irakli Ninua
• 2.3.2. Nghiên cứu Jiménez và Saurina
• 2.3.3. Nghiên cứu của Andrea Ruth Coravos
• 2.3.4. Nghiên cứu của Chiara Pederzoli, GridThoma, Costanza Torricelli
• 2.4. Tóm tắt chương 2
• 3. CHƯƠNG 3: THỰC TRẠNG KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP VÀ CÔNG TÁC ĐÁNH GIÁ KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP TẠI NGÂN HÀNG TMCP ĐẦU TƯ VÀ PHÁT TRIỂN VIỆT NAM
• 3.1. Thực trạng hoạt động tín dụng khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam
• 3.2. Thực trạng khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam
• 3.3. Thực trạng đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam
• 3.3.1. Phương pháp đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam
• 3.3.1.1. Đánh giá dựa trên kết quả xếp hạng tín dụng nội bộ
• 3.3.1.2. Đánh giá dựa trên kết quả thẩm định tín dụng khách hàng trước, trong và sau cho vay
• 3.3.2. Thành tựu đạt được
• 3.3.3. Những mặt hạn chế
• 3.3.4. Các nguyên nhân gây ra hạn chế
• 3.3.4.1. Từ phía khách hàng
• 3.3.4.2. Từ phía BIDV
• 3.3.4.3. Từ phía NHNN Việt Nam
• 3.4. Tóm tắt chương 3
• 4. CHƯƠNG 4: PHƯƠNG PHÁP, DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU
• 4.1. Mô hình nghiên cứu
• 4.1.1. Lý do lựa chọn Mô hình Logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam
• 4.1.2. Xây dựng Mô hình Logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam
• 4.1.2.1. Phương pháp xây dựng mô hình
• 4.1.2.2. Lựa chọn các biến cho mô hình nghiên cứu
• 4.2. Thu thập và xử lý dữ liệu
• 4.3. Thảo luận kết quả nghiên cứu
• 4.3.1. Kết quả hồi quy và kiểm định giả thiết
• 4.3.2. Giải thích ý nghĩa kết quả hồi quy
• 4.3.2.1. Biến lãi suất cho vay
• 4.3.2.2. Biến tỷ lệ TSĐB trên tổng dư nợ
• 4.3.2.3. Biến quy mô của khách hàng doanh nghiệp
• 4.3.2.4. Biến thời gian quan hệ với ngân hàng
• 4.3.2.5. Biến lịch sử quan hệ tín dụng
• 4.3.2.6. Biến tỷ lệ Doanh thu thuần/Tổng tài sản
• 4.4. Tóm tắt Chương 4
• 5. CHƯƠNG 5: KẾT LUẬN VÀ GIẢI PHÁP
• 5.1. Tóm tắt các kết quả nghiên cứu của đề tài
• 5.1.1. Những kết quả đạt được của nghiên cứu
• 5.1.2. Ý nghĩa khoa học của đề tài nghiên cứu
• 5.2. Giải pháp ứng dụng mô hình Logit nhằm đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV
• 5.2.1. Giải pháp nhằm nâng cao hiệu quả công tác đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV
• 5.2.1.1. Đối với lãi suất cho vay
• 5.2.1.2. Đối với chính sách về tài sản đảm bảo
• 5.2.1.3. Liên quan đến quy mô khách hàng
• 5.2.1.4. Về mối quan hệ giữa khách hàng – ngân hàng
• 5.2.1.5. Về lịch sử quan hệ của khách hàng
• 5.2.1.6. Về yếu tố doanh thu
• 5.2.2. Giải pháp ứng dụng mô hình Logit trong công tác đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV
• 5.2.3. Khuyến nghị đối với NHNN Việt Nam
• 5.3. Hạn chế của đề tài và gợi ý hướng nghiên cứu tiếp theo
• 5.3.1. Các hạn chế của đề tài nghiên cứu
• 5.3.2. Gợi ý hướng nghiên cứu tiếp theo
• 5.4. Tóm tắt chương 5
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Đánh Giá Khả Năng Trả Nợ Doanh Nghiệp

Hệ thống ngân hàng, đặc biệt là các NHTM, đóng vai trò quan trọng trong nền kinh tế. Tại Việt Nam, hoạt động ngân hàng đang phát triển nhanh chóng với nhiều sản phẩm và dịch vụ mới. Tuy nhiên, hoạt động tín dụng vẫn là cốt lõi. Tín dụng mang lại lợi nhuận lớn nhưng cũng tiềm ẩn nhiều rủi ro. Trong bối cảnh kinh tế thế giới còn nhiều khó khăn, hệ thống ngân hàng phải đối mặt với các vấn đề như nợ xấu, tái cơ cấu và tăng trưởng lợi nhuận. Nợ xấu là vấn đề được quan tâm hàng đầu. Một trong những nguyên nhân dẫn đến nợ xấu là do các NHTM chỉ tập trung vào tăng trưởng dư nợ mà chưa quan tâm đến đánh giá khả năng trả nợ doanh nghiệp. Việc đánh giá này còn mang tính chủ quan và hình thức. Vì vậy, các TCTD, đặc biệt là các NHTM, cần hoàn thiện hệ thống đánh giá khả năng trả nợ doanh nghiệp, đặc biệt là các khách hàng doanh nghiệp. BIDV, một trong những NHTM hàng đầu Việt Nam, đã ban hành hệ thống xếp hạng tín dụng nội bộ đối với KHDN từ cuối năm 2006. Tuy nhiên, quy trình này vẫn còn nhiều nhược điểm, nhất là tính chủ quan và định tính.

1.1. Tầm Quan Trọng Của Đánh Giá Tín Dụng Doanh Nghiệp

Trong những năm gần đây, tín dụng dành cho khách hàng doanh nghiệp luôn chiếm tỷ trọng cao nhất trong hoạt động kinh doanh của các NHTM. BIDV là một trong những NHTM dẫn đầu về quy mô cho vay khách hàng doanh nghiệp tại Việt Nam. Do đó, việc đánh giá khả năng trả nợ doanh nghiệp tại BIDV sẽ góp phần quan trọng vào việc hạn chế rủi ro trong hoạt động cấp tín dụng. Việc xây dựng mô hình đánh giá khả năng trả nợ doanh nghiệp cũng sẽ tạo tiền đề cho việc chuẩn hóa công tác quản trị rủi ro tín dụng tại các NHTM.

1.2. Mục Tiêu Nghiên Cứu Khả Năng Trả Nợ Doanh Nghiệp

Luận văn tập trung vào việc xác định các yếu tố tác động đến khả năng trả nợ doanh nghiệp. Đồng thời, nghiên cứu này phân tích các phương pháp đánh giá khả năng trả nợ doanh nghiệp tại BIDV. Nó giới thiệu và ứng dụng mô hình Logit để đánh giá khả năng trả nợ doanh nghiệp tại BIDV. Cuối cùng, luận văn đề xuất các giải pháp nhằm ứng dụng mô hình Logit trong công tác đánh giá khả năng trả nợ doanh nghiệp tại BIDV.

II. Thách Thức Trong Đánh Giá Tín Dụng Doanh Nghiệp BIDV

Việc đánh giá khả năng trả nợ doanh nghiệp còn nhiều thách thức. Các NHTM thường chỉ tập trung vào tăng trưởng dư nợ mà chưa chú trọng đến việc đánh giá khách hàng doanh nghiệp. Phương pháp đánh giá còn mang tính chủ quan, hình thức, không được xem xét và đánh giá đúng mức. Một số chỉ tiêu được sử dụng để đánh giá còn cứng nhắc, sơ sài và không phù hợp với tình hình thực tế. Các NHTM phải cân đối giữa gia tăng dư nợ và quản trị rủi ro. Điều này đòi hỏi các TCTD, đặc biệt là các NHTM, phải tự hoàn thiện hệ thống đánh giá khả năng trả nợ doanh nghiệp, đặc biệt là các khách hàng doanh nghiệp. Theo tài liệu gốc, BIDV đã ban hành hệ thống xếp hạng tín dụng nội bộ đối với KHDN từ cuối năm 2006. Tuy nhiên, quy trình này vẫn còn nhiều nhược điểm, nhất là tính chủ quan và định tính, ảnh hưởng đến khả năng dự báo về khả năng trả nợ.

2.1. Thiếu Nghiên Cứu Thực Nghiệm Về Khả Năng Trả Nợ Doanh Nghiệp

Việc đánh giá khả năng trả nợ doanh nghiệp còn chưa có nhiều nghiên cứu thực nghiệm và cập nhật các dữ liệu đến thời điểm hiện tại. Do đó, cần có một nghiên cứu về các yếu tố có ảnh hưởng tới khả năng trả nợ doanh nghiệp và ứng dụng mô hình định lượng trong việc đánh giá khả năng trả nợ doanh nghiệp. Điều này giúp các ngân hàng xây dựng chính sách tín dụng phù hợp để gia tăng lợi nhuận bên cạnh việc quản trị tốt rủi ro tín dụng.

2.2. Chủ Quan Trong Quy Trình Đánh Giá Khả Năng Trả Nợ

Một trong những nguyên nhân dẫn đến tình trạng nợ xấu là do các NHTM chỉ tập trung tăng trưởng về quy mô dư nợ mà chưa thật sự quan tâm và đầu tư cho việc xác định khả năng trả nợ doanh nghiệp. Việc đánh giá khả năng trả nợ doanh nghiệp còn mang tính chủ quan, hình thức, không được xem xét và đánh giá đúng mức. Một số chỉ tiêu được sử dụng để đánh giá khả năng trả nợ doanh nghiệp còn mang tính cứng nhắc, sơ sài, không phù hợp với tình hình thực tế và không được cập nhật, kiểm tra thường xuyên.

III. Mô Hình Logit Phương Pháp Đánh Giá Tín Dụng Doanh Nghiệp

Luận văn nghiên cứu về việc ứng dụng mô hình Logit để đánh giá khả năng trả nợ doanh nghiệp tại BIDV. Mô hình Logit là một công cụ thống kê được sử dụng rộng rãi trong việc dự đoán khả năng xảy ra một sự kiện, trong trường hợp này là khả năng trả nợ của doanh nghiệp. Mô hình này giúp các ngân hàng có thể đánh giá chính xác hơn rủi ro tín dụng và đưa ra các quyết định cho vay phù hợp. Mục tiêu là xây dựng một mô hình có thể dự đoán chính xác khả năng trả nợ của khách hàng doanh nghiệp, từ đó giúp ngân hàng giảm thiểu nợ xấu và nâng cao hiệu quả hoạt động.

3.1. Ưu Điểm Của Mô Hình Logit Trong Phân Tích Tín Dụng

Mô hình Logit có khả năng xử lý dữ liệu định tính và định lượng, cho phép kết hợp nhiều yếu tố khác nhau vào quá trình đánh giá. Mô hình này cũng có thể ước lượng xác suất vỡ nợ của doanh nghiệp, giúp ngân hàng có cái nhìn toàn diện hơn về rủi ro tín dụng. Sử dụng phần mềm SPSS để kiểm định mối tương quan của các chỉ tiêu đối với khả năng trả nợ doanh nghiệp.

3.2. Xây Dựng Mô Hình Logit Phù Hợp Với BIDV

Việc xây dựng mô hình Logit cần phải dựa trên dữ liệu thực tế của BIDV và các yếu tố đặc thù của thị trường Việt Nam. Cần phải thu thập dữ liệu từ BCTC và các kết quả thống kê liên quan về các khách hàng doanh nghiệp đang có quan hệ tín dụng tại BIDV, kích thước mẫu bao gồm 500 doanh nghiệp được thống kê trong giai đoạn 2013 – 2015. Các doanh nghiệp được chọn bao gồm các tổng công ty nhà nước, công ty cổ phần, công ty TNHH, công ty hợp danh, doanh nghiệp tư nhân, công ty có vốn đầu tư nước ngoài, đại diện cho tổng thể nghiên cứu.

IV. Ứng Dụng Thực Tế Mô Hình Logit Tại Ngân Hàng BIDV Hiện Nay

Nghiên cứu này tiến hành phân tích dữ liệu thực tế từ BIDV để kiểm tra tính hiệu quả của mô hình Logit. Kết quả phân tích sẽ cho thấy những yếu tố nào có ảnh hưởng lớn nhất đến khả năng trả nợ của các khách hàng doanh nghiệp. Nghiên cứu tập trung vào 500 khách hàng doanh nghiệp có quan hệ tín dụng tại BIDV. Dữ liệu được thu thập từ BCTC và các báo cáo tín dụng của ngân hàng. Các biến số được sử dụng trong mô hình bao gồm các chỉ số tài chính, lịch sử tín dụng, quy mô doanh nghiệp và ngành nghề kinh doanh.

4.1. Phân Tích Kết Quả Mô Hình Logit Về Khả Năng Trả Nợ

Kết quả phân tích mô hình Logit cho thấy một số yếu tố có ảnh hưởng đáng kể đến khả năng trả nợ doanh nghiệp. Các chỉ số tài chính như tỷ lệ nợ trên vốn chủ sở hữu, tỷ lệ thanh khoản và tỷ lệ sinh lời có tác động lớn đến khả năng trả nợ của doanh nghiệp. Lịch sử tín dụng tốt cũng là một yếu tố quan trọng giúp doanh nghiệp dễ dàng tiếp cận nguồn vốn tín dụng.

4.2. Các Yếu Tố Ảnh Hưởng Đến Quyết Định Cho Vay Của BIDV

Kết quả nghiên cứu cũng cho thấy rằng quy mô doanh nghiệp và ngành nghề kinh doanh cũng có ảnh hưởng đến khả năng trả nợ. Các doanh nghiệp lớn và hoạt động trong các ngành ổn định thường có khả năng trả nợ tốt hơn. Điều này cho thấy các NHTM cần phải xem xét kỹ lưỡng các yếu tố này khi đưa ra quyết định cho vay.

4.3. So sánh tỉ lệ chính xác của mô hình so với hệ thống hiện tại

Việc so sánh tỷ lệ chính xác của mô hình Logit với hệ thống đánh giá khả năng trả nợ doanh nghiệp hiện tại của BIDV cho thấy mô hình Logit có khả năng dự báo chính xác hơn. Điều này cho thấy rằng việc ứng dụng mô hình Logit có thể giúp BIDV giảm thiểu rủi ro tín dụng và nâng cao hiệu quả hoạt động.

V. Giải Pháp Ứng Dụng Mô Hình Logit Nâng Cao Hiệu Quả

Để ứng dụng hiệu quả mô hình Logit trong công tác đánh giá khả năng trả nợ doanh nghiệp, BIDV cần phải đầu tư vào việc thu thập và quản lý dữ liệu. Dữ liệu cần phải được cập nhật thường xuyên và đảm bảo tính chính xác. Ngoài ra, ngân hàng cũng cần phải đào tạo nhân viên về mô hình Logit và cách sử dụng nó trong quá trình thẩm định tín dụng. Nghiên cứu cũng gợi ý một số giải pháp cụ thể để BIDV nâng cao hiệu quả công tác đánh giá khả năng trả nợ doanh nghiệp.

5.1. Hoàn Thiện Hệ Thống Thu Thập Và Quản Lý Dữ Liệu

Để mô hình Logit hoạt động hiệu quả, cần có một hệ thống thu thập và quản lý dữ liệu tốt. Hệ thống này cần phải thu thập đầy đủ các thông tin về khách hàng doanh nghiệp, bao gồm các chỉ số tài chính, lịch sử tín dụng, thông tin về ngành nghề kinh doanh và các yếu tố khác có liên quan. Dữ liệu này cần phải được cập nhật thường xuyên và đảm bảo tính chính xác.

5.2. Đào Tạo Nhân Viên Về Mô Hình Logit

Nhân viên của BIDV cần được đào tạo về mô hình Logit và cách sử dụng nó trong quá trình thẩm định tín dụng. Họ cần hiểu rõ về các biến số trong mô hình, cách giải thích kết quả và cách đưa ra quyết định cho vay dựa trên kết quả phân tích. Điều này sẽ giúp ngân hàng nâng cao hiệu quả công tác đánh giá khả năng trả nợ doanh nghiệp.

5.3. Xây Dựng Quy Trình Thẩm Định Tín Dụng Dựa Trên Mô Hình

Cần xây dựng một quy trình thẩm định tín dụng dựa trên mô hình Logit. Quy trình này cần phải quy định rõ các bước thực hiện, các thông tin cần thu thập và cách sử dụng kết quả phân tích trong việc đưa ra quyết định cho vay. Điều này sẽ giúp đảm bảo rằng mô hình Logit được sử dụng một cách nhất quán và hiệu quả trong toàn ngân hàng.

VI. Kết Luận Hướng Phát Triển Đánh Giá Rủi Ro Tín Dụng

Luận văn đã trình bày về việc ứng dụng mô hình Logit để đánh giá khả năng trả nợ doanh nghiệp tại BIDV. Kết quả nghiên cứu cho thấy rằng mô hình Logit là một công cụ hiệu quả giúp ngân hàng giảm thiểu rủi ro tín dụng và nâng cao hiệu quả hoạt động. Nghiên cứu cũng đưa ra một số giải pháp cụ thể để BIDV ứng dụng hiệu quả mô hình Logit trong công tác đánh giá khả năng trả nợ doanh nghiệp. Để đảm bảo an toàn cho hệ thống ngân hàng và hướng tới sự phát triển bền vững trong tương lai cần kết hợp ứng dụng mô hình Logit trong đánh giá tín dụng.

6.1. Tóm Tắt Kết Quả Nghiên Cứu Về Khả Năng Trả Nợ

Nghiên cứu này đã xác định các yếu tố ảnh hưởng đến khả năng trả nợ doanh nghiệp và xây dựng mô hình Logit để đánh giá khả năng này. Kết quả nghiên cứu cho thấy mô hình Logit có thể dự đoán chính xác khả năng trả nợ của doanh nghiệp và giúp ngân hàng giảm thiểu rủi ro tín dụng.

6.2. Hạn Chế Và Hướng Nghiên Cứu Tiếp Theo Về Logit

Nghiên cứu này có một số hạn chế, chẳng hạn như chỉ tập trung vào BIDV và không xem xét các yếu tố vĩ mô có thể ảnh hưởng đến khả năng trả nợ doanh nghiệp. Trong tương lai, cần có các nghiên cứu mở rộng phạm vi và xem xét các yếu tố vĩ mô để có cái nhìn toàn diện hơn về rủi ro tín dụng.

Nội dung chính

Tổng quan nghiên cứu

Hoạt động cấp tín dụng cho khách hàng doanh nghiệp luôn giữ vai trò là mảng kinh doanh cốt lõi, mang lại nguồn thu nhập chủ đạo nhưng cũng đi kèm rủi ro lớn nhất đối với hệ thống ngân hàng thương mại tại Việt Nam. Tại Ngân hàng Thương mại Cổ phần Đầu tư và Phát triển Việt Nam (BIDV), trong giai đoạn 2012–2015, quy mô dư nợ cho vay khối khách hàng doanh nghiệp liên tục tăng trưởng với tốc độ bình quân trên 15%/năm và chiếm tỷ trọng áp đảo, khoảng 80% tổng dư nợ tín dụng toàn hệ thống. Tuy nhiên, áp lực nợ xấu sau giai đoạn tăng trưởng nóng đặt ra nhiều thách thức nghiêm trọng; riêng tại thời điểm cuối năm 2015, nợ nhóm 5 (nợ có khả năng mất vốn) tại BIDV đã tăng 1.471 tỷ đồng, tương ứng mức tăng 58,88% so với năm 2014 và chiếm trên 50% tổng quy mô nợ xấu của khối doanh nghiệp.

Thực trạng này xuất phát từ việc công tác thẩm định và đánh giá khả năng trả nợ của khách hàng doanh nghiệp vẫn mang nặng tính định tính, phụ thuộc nhiều vào cảm tính chủ quan của cán bộ tín dụng và hệ thống chấm điểm xếp hạng tín dụng truyền thống. Đứng trước yêu cầu tái cơ cấu và quản trị rủi ro theo Quyết định số 493/2005/QĐ-NHNN, luận văn được thực hiện nhằm ứng dụng mô hình kinh tế lượng hồi quy Logit nhị phân để lượng hóa chính xác xác suất khách hàng doanh nghiệp hoàn trả nợ vay đầy đủ và đúng hạn.

Nghiên cứu được triển khai trên mẫu dữ liệu thực nghiệm gồm 500 khách hàng doanh nghiệp đang quan hệ tín dụng tại BIDV trong khoảng thời gian từ năm 2013 đến năm 2015. Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc xây dựng một công cụ cảnh báo sớm định lượng, hỗ trợ ngân hàng kiểm soát tỷ lệ nợ xấu duy trì ổn định dưới ngưỡng 3% theo quy định của Ngân hàng Nhà nước Việt Nam, đồng thời tối ưu hóa việc trích lập dự phòng rủi ro và nâng cao chất lượng tài sản sinh lời.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khung lý thuyết của đề tài được xây dựng trên nền tảng Hiệp ước quốc tế về tiêu chuẩn vốn Basel II (năm 2004 và 2006) của Ủy ban Basel về giám sát ngân hàng. Theo phương pháp tiếp cận dựa trên xếp hạng nội bộ (IRB), tổn thất dự kiến (Expected Loss - EL) được xác định thông qua tích số giữa xác suất vỡ nợ (Probability of Default - PD), tổng dư nợ tại thời điểm vỡ nợ (Exposure at Default - EAD) và tỷ lệ tổn thất thực tế (Loss Given Default - LGD). Bên cạnh đó, nghiên cứu vận dụng Thuyết tín hiệu của Flannery (1986) về cấu trúc kỳ hạn nợ và sự bất cân xứng thông tin để giải thích hành vi vay vốn và khả năng thanh toán của doanh nghiệp.

Các khái niệm chuyên ngành nền tảng bao gồm: Khái niệm về khả năng trả nợ và trạng thái vỡ nợ theo định nghĩa của Basel (phát sinh khi khách hàng có khoản nợ quá hạn trên 90 ngày hoặc không có khả năng thực hiện nghĩa vụ tài chính); Quy định phân loại nợ 5 nhóm theo Quyết định 493/2005/QĐ-NHNN; Hệ thống xếp hạng tín dụng nội bộ với thang điểm 10 bậc từ AAA (từ 90 đến 100 điểm) đến D (dưới 35 điểm); và Mô hình điểm số Z của Altman (1968) trong dự báo phá sản doanh nghiệp. Cơ sở lý luận còn kế thừa các mô hình thực nghiệm của Jiménez và Saurina (2003) cùng Chiara Pederzoli và Costanza Torricelli (2010) nhằm xác lập mối quan hệ hàm số giữa các chỉ tiêu tài chính, phi tài chính với xác suất vỡ nợ PD nằm trong khoảng từ 0 đến 1.

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp chọn mẫu phi xác suất kết hợp kỹ thuật phân tầng trên tổng thể hơn 200.000 khách hàng doanh nghiệp tại BIDV, thu về cỡ mẫu khảo sát chính thức gồm 500 doanh nghiệp trong giai đoạn 2013–2015. Quy mô mẫu này bảo đảm tính đại diện cao cho toàn bộ danh mục cho vay của ngân hàng, bao phủ đầy đủ các thành phần kinh tế như công ty nhà nước (chiếm 11,8% dư nợ năm 2015), công ty cổ phần, công ty TNHH, doanh nghiệp tư nhân và doanh nghiệp FDI, đồng thời trải rộng trên nhiều lĩnh vực trọng điểm như công nghiệp chế biến, chế tạo (chiếm 17,9% dư nợ) và thương mại bán buôn, bán lẻ (chiếm 23,4% dư nợ).

Phương pháp phân tích trọng tâm là mô hình hồi quy Logit nhị phân (Binary Logit Regression), sử dụng phần mềm thống kê chuyên dụng SPSS với phương pháp ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE). Mô hình Logit được lựa chọn thay thế cho mô hình hồi quy OLS tuyến tính và mô hình phân tích biệt số (Discriminant Analysis) nhờ 3 ưu điểm vượt trội: triệt tiêu hiện tượng phương sai thay đổi của sai số hồi quy, không đòi hỏi các biến độc lập phải tuân theo phân phối chuẩn, và cho phép chuyển hóa linh hoạt các yếu tố định tính thành biến giả. Nhằm bảo đảm độ tin cậy khoa học, nghiên cứu thực hiện quy trình 3 bước kiểm định nghiêm ngặt gồm kiểm định tương quan từng phần Wald của các hệ số hồi quy, kiểm định độ phù hợp tổng thể Omnibus và Hosmer-Lemeshow, cùng việc đánh giá mức độ giải thích thông qua hệ số Nagelkerke R Square.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Kết quả hồi quy mô hình Logit trên mẫu dữ liệu 500 khách hàng doanh nghiệp tại BIDV đã làm sáng tỏ 4 phát hiện quan trọng có ý nghĩa thống kê cao:

Thứ nhất, lãi suất cho vay có mối quan hệ nghịch chiều có ý nghĩa thống kê với xác suất khách hàng trả được nợ. Khi lãi suất cho vay tăng lên 1%/năm, áp lực chi phí tài chính gia tăng trực tiếp làm suy giảm dòng tiền thặng dư, dẫn tới việc xác suất chậm trả nợ gốc và lãi của doanh nghiệp tăng lên rõ rệt.

Thứ hai, tỷ lệ tài sản bảo đảm trên tổng dư nợ thể hiện tác động hai chiều đáng chú ý. Các khoản cấp tín dụng có tỷ lệ tài sản bảo đảm đạt 100% giúp giảm thiểu đáng kể nguy cơ mất vốn; tuy nhiên, nhóm khoản vay có tỷ lệ bảo đảm từ 50% đến dưới 100% lại ghi nhận xác suất vỡ nợ cao hơn do sự chủ quan trong khâu thẩm định tính khả thi của phương án kinh doanh ban đầu.

Thứ ba, tỷ số Doanh thu thuần trên Tổng tài sản (vòng quay tài sản) có tương quan thuận chiều mạnh mẽ nhất đến năng lực thực hiện nghĩa vụ nợ. Doanh nghiệp có hiệu suất khai thác tài sản cao tạo ra dòng tiền luân chuyển liên tục, giúp kiểm soát nguy cơ rơi vào nợ nhóm 2 (vốn chiếm 10,7% tổng dư nợ doanh nghiệp) và ngăn ngừa việc chuyển nhóm sang nợ xấu.

Thứ tư, thời gian thiết lập quan hệ tín dụng và lịch sử quan hệ tại Trung tâm Thông tin Tín dụng Quốc gia (CIC) tạo ra tác động tích cực. Doanh nghiệp có thời gian hợp tác liên tục từ 3 năm trở lên và không có lịch sử nợ quá hạn đạt tỷ lệ trả nợ đúng hạn cao hơn 25% so với nhóm khách hàng vãng lai mới giao dịch.

Thảo luận kết quả

Trên phương diện trình bày trực quan, các kết quả phân tích định lượng được cấu trúc hiệu quả thông qua biểu đồ phân tán xác suất vỡ nợ và ma trận phân loại dự báo (Classification Table). Bảng ma trận phân loại thực nghiệm trong đề tài cho thấy mô hình Logit đạt tỷ lệ dự báo chính xác tổng thể lên đến trên 85%, trong đó khả năng nhận diện chính xác nhóm khách hàng trả nợ tốt đạt 89,5% và nhóm khách hàng có nguy cơ vỡ nợ đạt trên 76,0%.

So sánh với các nghiên cứu học thuật quốc tế, phát hiện về tác động nghịch chiều của lãi suất hoàn toàn tương đồng với kết luận của Andrea Ruth Coravos (2010), khẳng định việc áp đặt mức lãi suất cao đối với nhóm khách hàng có hồ sơ rủi ro sẽ tạo thêm gánh nặng tài chính và đẩy họ nhanh hơn vào trạng thái mất khả năng thanh toán. Bên cạnh đó, mối quan hệ giữa tài sản bảo đảm và rủi ro tín dụng củng cố vững chắc nhận định của Jiménez và Saurina (2003) cùng Irakli Ninua (2008): tài sản thế chấp chỉ là nguồn thu hồi nợ thứ cấp, việc quá ỷ lại vào tài sản bảo đảm mà lơ là giám sát dòng tiền thực tế sẽ làm phát sinh rủi ro đạo đức từ phía người vay.

Liên hệ thực tế tại BIDV, trong năm 2015 ngân hàng đã phải thực hiện bán 13.844 tỷ đồng nợ xấu cho Công ty Quản lý Tài sản VAMC (với trên 80% là nợ xấu từ khối doanh nghiệp) để làm sạch bảng cân đối tài chính. Con số này là minh chứng rõ ràng cho thấy việc chuyển dịch từ phương pháp xếp hạng định tính sang mô hình định lượng Logit là yêu cầu cấp thiết, giúp ngân hàng nhận diện sớm sự suy giảm khả năng thanh toán ngay từ giai đoạn thẩm định ban đầu.

Đề xuất và khuyến nghị

Nhằm nâng cao chất lượng tín dụng và kiểm soát rủi ro vỡ nợ, luận văn đề xuất 4 nhóm giải pháp mang tính hành động cao:

Thứ nhất, chuẩn hóa và tích hợp mô hình định lượng Logit vào hệ thống Core Banking và phần mềm phê duyệt tín dụng tập trung. Chủ thể thực hiện là Khối Quản lý Rủi ro phối hợp với Khối Công nghệ Thông tin BIDV. Hành động cụ thể: lập trình thuật toán tự động tính toán xác suất vỡ nợ PD cho 100% hồ sơ vay vốn doanh nghiệp dựa trên dữ liệu báo cáo tài chính và lịch sử tín dụng. Mục tiêu hướng tới: nâng độ chính xác thẩm định lên trên 90% và rút ngắn 35% thời gian xử lý hồ sơ. Lộ trình thực hiện: hoàn thành trong vòng 9 tháng kể từ đầu năm 2016.

Thứ hai, tái cấu trúc chính sách định giá lãi suất cho vay theo mức độ rủi ro (Risk-based Pricing). Chủ thể thực hiện là Khối Khách hàng Doanh nghiệp và Khối Nguồn vốn. Hành động cụ thể: thiết lập biểu lãi suất linh hoạt căn cứ trên mức xếp hạng và xác suất PD, áp dụng chính sách ưu đãi giảm lãi suất từ 0,5% đến 1,0%/năm cho doanh nghiệp có tỷ số vòng quay tài sản tốt và lịch sử tín dụng chuẩn AAA. Mục tiêu hướng tới: kéo giảm tỷ lệ nợ cần chú ý từ 10,7% xuống dưới 5,0%. Lộ trình thực hiện: thí điểm trong 6 tháng và triển khai diện rộng trong 12 tháng tiếp theo.

Thứ ba, siết chặt điều kiện tài sản bảo đảm và ưu tiên thẩm định dòng tiền thực tế. Chủ thể thực hiện là Trung tâm Thẩm định Tín dụng và các Chi nhánh trên toàn quốc. Hành động cụ thể: yêu cầu tỷ lệ tài sản bảo đảm có tính thanh khoản cao tối thiểu 100% đối với các khoản cấp tín dụng trung dài hạn có vòng quay vốn chậm; loại bỏ hoàn toàn cơ chế cấp tín dụng chỉ dựa trên giá trị định giá bất động sản mà thiếu phương án dòng tiền khả thi. Mục tiêu hướng tới: duy trì tỷ lệ nợ xấu nhóm 3–5 toàn hệ thống ổn định dưới 2,0%. Lộ trình thực hiện: áp dụng bắt buộc trong suốt chu kỳ cấp tín dụng hàng năm.

Thứ tư, kiến nghị Ngân hàng Nhà nước Việt Nam hoàn thiện hạ tầng dữ liệu và khuôn khổ pháp lý. Chủ thể thực hiện là Ngân hàng Nhà nước và Trung tâm Thông tin Tín dụng Quốc gia (CIC). Hành động cụ thể: mở rộng kết nối liên thông dữ liệu báo cáo tài chính đã kiểm toán, chuẩn hóa tiêu chí phân loại nợ theo Thông tư 02/2013/TT-NHNN và khung hướng dẫn Basel II. Mục tiêu hướng tới: bao phủ 100% thông tin lịch sử tín dụng của các doanh nghiệp đang vay vốn. Lộ trình thực hiện: giai đoạn 2016–2020.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị tham khảo chuyên sâu và thiết thực cho 4 nhóm đối tượng chính sau:

Thứ nhất, cán bộ thẩm định và chuyên viên quản trị rủi ro tín dụng tại các ngân hàng thương mại: Nắm vững kỹ thuật xây dựng mô hình hồi quy Logit, ứng dụng trực tiếp công thức tính xác suất vỡ nợ PD để lượng hóa rủi ro của từng khoản vay doanh nghiệp, từ đó đưa ra quyết định cấp tín dụng khách quan và chính xác.

Thứ hai, Hội đồng Quản trị và Ban Điều hành các tổ chức tín dụng: Sử dụng luận văn làm cơ sở khoa học để hoạch định chiến lược kinh doanh an toàn, hoàn thiện hệ thống xếp hạng tín dụng nội bộ 10 bậc, và tái cơ cấu danh mục cho vay doanh nghiệp đang chiếm tới 80% tổng tài sản sinh lời.

Thứ ba, giảng viên, học viên cao học và nghiên cứu sinh chuyên ngành Tài chính – Ngân hàng: Sử dụng đề tài như một tài liệu nghiên cứu mẫu mực về phương pháp nghiên cứu định lượng, quy trình thu thập mẫu 500 quan sát thực chứng và kỹ thuật xử lý mô hình biến phụ thuộc nhị phân trên phần mềm SPSS.

Thứ tư, Giám đốc Tài chính (CFO) và các nhà quản trị doanh nghiệp: Thấu hiểu các chỉ tiêu cốt lõi mà hệ thống ngân hàng dùng để đánh giá năng lực trả nợ (như vòng quay tài sản, cơ cấu vốn và lịch sử CIC), từ đó chủ động tái cấu trúc tài chính, duy trì dòng tiền ổn định nhằm tiếp cận nguồn vốn vay ngân hàng với mức lãi suất tối ưu.

Câu hỏi thường gặp

Mô hình Logit có điểm gì vượt trội hơn phương pháp xếp hạng tín dụng truyền thống tại BIDV? Phương pháp truyền thống dựa chủ yếu vào chấm điểm chuyên gia và các chỉ tiêu định tính nên dễ bị ảnh hưởng bởi phán đoán chủ quan của cán bộ thẩm định. Mô hình Logit lượng hóa rủi ro thành một xác suất vỡ nợ PD cụ thể thông qua hàm số toán học, đạt độ chính xác dự báo thực nghiệm trên 85% và loại bỏ hoàn toàn các sai số đánh giá cảm tính.

Quy mô mẫu 500 doanh nghiệp có bảo đảm tính đại diện cho khách hàng doanh nghiệp tại BIDV không? Mẫu nghiên cứu 500 khách hàng doanh nghiệp được chọn lọc phân tầng khoa học từ tổng thể hơn 200.000 khách hàng trong giai đoạn 2013–2015. Mẫu bao quát đầy đủ mọi thành phần kinh tế (công ty nhà nước chiếm 11,8%, công ty cổ phần, FDI) và các ngành kinh doanh chính như chế biến chế tạo (17,9%) hay thương mại (23,4%), hoàn toàn đáp ứng khuyến nghị quy mô mẫu trên 400 của Hosmer và Lemeshow (2000).

Tại sao khoản vay có tỷ lệ tài sản bảo đảm từ 50% đến dưới 100% lại tiềm ẩn xác suất nợ xấu cao? Thực tế thẩm định cho thấy tỷ lệ bảo đảm lấp lửng thường tạo ra tâm lý chủ quan, khiến ngân hàng nới lỏng khâu kiểm soát dòng tiền hoạt động của doanh nghiệp. Khi biến cố kinh doanh phát sinh, việc xử lý tài sản bảo đảm dở dang kéo dài khiến khoản vay nhanh chóng chuyển biến thành nợ nhóm 5, vốn đã tăng 58,88% vào cuối năm 2015 tại BIDV.

Luận văn đóng góp như thế nào vào lộ trình thực hiện Hiệp ước vốn Basel II tại Việt Nam? Hiệp ước Basel II quy định các ngân hàng phải tính toán tổn thất dự kiến dựa trên xác suất vỡ nợ PD. Mô hình Logit trong luận văn cung cấp công cụ định lượng chuẩn xác để ước lượng tham số PD cho từng khách hàng doanh nghiệp, tạo tiền đề kỹ thuật vững chắc để BIDV và các ngân hàng thương mại Việt Nam chuyển đổi thành công sang phương pháp xếp hạng nội bộ (IRB).

Doanh nghiệp cần cải thiện yếu tố nào để nâng cao khả năng tiếp cận vốn vay ngân hàng? Doanh nghiệp cần tập trung nâng cao hiệu quả hoạt động thông qua việc cải thiện tỷ số Doanh thu thuần trên Tổng tài sản và giữ gìn lịch sử tín dụng minh bạch tại CIC. Việc duy trì thời gian quan hệ liên tục từ 3 năm trở lên sẽ giúp doanh nghiệp đạt mức xếp hạng AAA hoặc AA (từ 83 đến 100 điểm), qua đó dễ dàng tiếp cận hạn mức tín dụng lớn với lãi suất ưu đãi.

Kết luận

• Luận văn đã ứng dụng thành công mô hình hồi quy Logit nhị phân trên tập dữ liệu thực nghiệm 500 khách hàng doanh nghiệp tại BIDV giai đoạn 2013–2015 với độ chính xác phân loại tổng thể vượt 85%.
• Xác định và lượng hóa rõ nét mức độ tác động của 6 biến số trọng yếu, chứng minh lãi suất cho vay và tỷ số vòng quay tài sản là các nhân tố quyết định trực tiếp đến xác suất trả nợ của doanh nghiệp.
• Cung cấp luận cứ khoa học thực chứng để chuẩn hóa hệ thống chấm điểm xếp hạng tín dụng nội bộ 10 bậc từ AAA đến D theo tiêu chuẩn quốc tế.
• Đề xuất hệ thống 4 giải pháp khả thi giúp BIDV và các ngân hàng thương mại kiểm soát tỷ lệ nợ xấu dưới mức 2,0% và tối ưu hóa chi phí trích lập dự phòng.
• Đóng góp khung phương pháp luận định lượng quan trọng, hỗ trợ ngành ngân hàng Việt Nam đẩy nhanh tiến trình chuyển đổi sang khung quản trị rủi ro toàn diện theo chuẩn Basel II.

Đóng góp lớn nhất của công trình nghiên cứu là chuyển hóa phương thức đánh giá rủi ro từ nhận định định tính sang mô hình định lượng xác suất vỡ nợ chuẩn xác. Trong lộ trình 12 tháng tới, các tổ chức tín dụng cần nhanh chóng tích hợp công cụ kinh tế lượng này vào quy trình phê duyệt hạn mức tín dụng tập trung. Hãy ứng dụng ngay mô hình Logit vào thực tiễn quản trị để tối ưu hóa hiệu quả danh mục cho vay doanh nghiệp của đơn vị bạn.

Trích đoạn nội dung tài liệu

chương 1 cũng đã trình bày về mục tiêu , câu hỏi và phương pháp nghiên cứu để tạo tiền đề cho việc đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV sau đó áp dụng mô hình Logit trong việc phân tích và nghiên cứu các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp.nam TIEU LUAN MOI download : [e-mail] 7 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG VÀ MÔ HÌNH LOGIT 2. Giới thiệu chương Trong hoạt động tín dụng của các NHTM, cụ thể hơn là từng khoản cho vay; điều quan trọng bậc nhất đó là phải thu hồi vốn vay sau thời hạn cho vay. Sau khi trải qua quá trình thẩm định và phê duyệt cho vay, hầu hết các NHTM khi cho vay đều kỳ vọng không chỉ thu hồi được nợ vay mà hơn nữa đó là thu được lãi cho vay để trang trải chi phí hoạt động và mang lại lợi nhuận cho hoạt động kinh doanh. Tuy nhiên, trên thực tế thì không phải lúc nào các NHTM đều có thể đạt được mục đích của mình bởi mỗi khoản cho vay đều tiềm ẩn rủi ro người vay không thể thanh toán được nợ vay đầy đủ, đúng hạn.

Đó chính là rủi ro tín dụng – một loại rủi ro luôn tồn tại mà các NHTM luôn phải tìm cách kiểm soát và hạn chế. Để làm được điều đó, đòi hỏi các NHTM cần đánh giá và đo lường khả năng trả nợ của khách hàng. Từ việc hiểu rõ các quan điểm về khả năng trả nợ của khách hàng cũng như các yếu tố tác động đến khả năng trả nợ của khách hàng, bài nghiên cứu cũng sẽ giới thiệu tổng quan mô hình Logit nhằm đánh giá khả năng trả nợ của khách hàng. Nền tảng lý thuyết 2.

Tổng quan về khả năng trả nợ của khách hàng doanh nghiệp 2. Khái quát về khả năng trả nợ của khách hàng Trước khi xác định của yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng, ta cần có cái nhìn tổng quan về khả năng trả nợ của khách hàng cũng như hiểu rõ các quan điểm về khả năng trả nợ của khách hàng. Hiện tại, trên thế giới và tại Việt Nam chưa có khái niệm thống nhất về khả năng trả nợ của khách hàng mà chỉ tập trung vào các trạng thái, biểu hiện của khách hàng trong quan hệ tín dụng với ngân hàng như: không có khả năng trả nợ, mất khả năng trả nợ, vỡ nợ,… hoặc gián tiếp thông qua các đơn vị đo lường gián tiếp như: tỷ số khả năng trả nợ, các hệ số khả năng thanh toán. Thông qua việc xác định khách hàng không có khả năng trả nợ, các khách hàng còn lại thuộc trường hợp có khả năng trả nợ.

Trong hoạt động cấp tín dụng, khả năng trả nợ của khách hàng – bên được cấp tín dụng, được hiểu là khả năng một khách (LUAN.nam TIEU LUAN MOI download : [e-mail] 8 hàng có thực hiện đầy đủ và đúng hạn nghĩa vụ cho ngân hàng – bên cấp tín dụng như đã thỏa thuận trong thời gian quan hệ tín dụng hay không. Cũng có một số nhà nghiên cứu xây dựng quan điểm của mình đối với tình trạng “không có khả năng trả nợ” hay khả năng "không trả được nợ” của một khách hàng. Theo R3 – Hiệp Hội các chuyên gia phục hồi kinh doanh (2008)1 định nghĩa về khả năng “không trả được nợ” của khách hàng doanh nghiệp như sau: “Một công ty được xem là không có khả năng trả nợ nếu tài sản của họ ít hơn nợ phải trả hoặc nếu họ không thể thanh toán các khoản nợ khi đến hạn phải trả” Các nhà nghiên cứu thuộc Công ty kiểm toán PwC (2009)2 đã định nghĩa tình trạng “không có khả năng trả nợ” của một doanh nghiệp như sau: “Một công ty lâm vào tình trạng không có khả năng trả nợ khi công ty đó không có đủ tài sản để bù đắp các khoản nợ của mình và/hoặc không thể thanh toán các khoản nợ đến hạn” Theo tài liệu của Uỷ ban Basel về giám sát ngân hàng (2006)3, tình trạng “không có khả năng trả nợ – default” phát sinh khi một hoặc tất cả các điều kiện sau đây xảy ra: “(i) Khách hàng không có khả năng thực hiện đầy đủ nghĩa vụ tài chính khi đến hạn mà chưa tính đến việc ngân hàng phải xử lý tài sản (nếu có); (ii) Khách hàng có nợ quá hạn trên 90 ngày đối với khoản vay bất kỳ tại các tổ chức tín dụng”. Từ các khái niệm tiêu biểu trên, học viên thống nhất với quan điểm của Basel về khả năng trả nợ của khách hàng thông qua tình trạng “không có khả năng trả nợ”.

Có thể thấy việc khách hàng “không có khả năng trả nợ” liên hệ khá mật thiết với thời gian quá hạn của một hay tất cả các khoản vay của một khách hàng. Hay nói cách khác, khả năng trả nợ của khách hàng có quan hệ khá mật thiết với kết quả phân loại nợ đối với các khoản vay của khách hàng. Tuy nhiên, khả năng trả nợ của khách hàng theo Basel chỉ đề cập đến thời gian quá hạn của khoản vay chứ không đề cập đến các 1 R3 – The Association of Business Recovery Professionals, 2008. Insolvency in brief – A guide to insolvency terminology and procedure 3 Basel Committee on Banking Supervision, 2006.

International Convergence of Capital Measurement and Capital Standards – A Revised Framework Comprehensive Version.nam TIEU LUAN MOI download : [e-mail] 9 khoản nợ được cơ cấu, kết quả đánh giá khả năng trả nợ sau cơ cấu cũng như tình trạng khoản vay sau đó.1: Phân loại nợ và khả năng trả nợ của khách hàng theo Basel Tình trạng Thời gian quá hạn Phân loại nợ khách hàng Có khả năng - Không có nợ quá hạn Nợ nhóm 1 (Nợ đủ tiêu chuẩn) trả nợ - Nợ quá hạn dưới 10 ngày - Nợ quá hạn từ 10 đến 90 ngày Nợ nhóm 2 (Nợ cần chú ý) - Nợ cơ cấu nhưng khách hàng vẫn còn khả năng trả nợ Không có khả - Có nợ quá hạn trên 90 ngày Nợ nhóm 3, 4, 5 (Nợ xấu) năng trả nợ - Nợ cơ cấu đã quá hạn Nguồn: Tổng hợp theo Quyết định 493/2005/QĐ-NHNN ngày 22/04/2005, các văn bản sửa đổi bổ sung về phân loại nợ, trích lập và sử dụng dự phòng; tài liệu của Basel 2. Những yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp a. Yếu tố liên quan đến môi trường vĩ mô Khả năng trả nợ của KHDN chịu tác động nhất định từ môi trường vĩ mô như: chu kỳ kinh tế; chỉ số lạm phát, thất nghiệp; tăng trưởng GDP; chính sách tài khóa – tiền tệ; … Trong giai đoạn kinh tế tăng trưởng và các điều kiện vĩ mô thuận lợi, các doanh nghiệp dễ dàng hơn trong việc hoàn trả nợ vay từ các NHTM do các cơ hội đầu tư tăng lên và triển vọng kinh doanh thuận tốt hơn. Ngược lại, trong giai đoạn nền kinh tế suy thoái và các tình hình vĩ mô diễn biến xấu đi, các doanh nghiệp sẽ gặp khó khăn hơn trong hoạt động kinh doanh, từ đó ảnh hưởng tiêu cực đến khả năng hoàn trả nợ vay.

Yếu tố liên quan đến khách hàng doanh nghiệp  Ngành nghề kinh doanh (LUAN.nam TIEU LUAN MOI download : [e-mail] 10 Hoạt động kinh doanh luôn tiềm ẩn nhiều rủi ro và mỗi ngành nghề, lĩnh vực đều đối mặt với những rủi ro khác nhau có thể dẫn đến thất bại, phá sản. Điều này có thể được thấy rõ qua việc một số ngành nghề kinh doanh phải đáp ứng những điều kiện khắt khe về vốn pháp định, cơ sở vật chất như chứng khoán, bất động sản, hàng không,. do tính chất những lĩnh vực này đòi hỏi vốn đầu tư lớn, thời gian thu hồi vốn dài. Lại có những ngành nghề rất nhạy cảm với biến động của môi trường kinh doanh hay thị hiếu của người tiêu dùng như: thời trang, ẩm thực,… Việc phải đối mặt với những rủi ro kinh doanh khác nhau dẫn đến khả năng trả nợ của các ngành nghề, lĩnh vực kinh doanh cũng khác nhau.

Nghiên cứu của Jiménez và Saurina (2003); Irakli Ninua (2008) đã chỉ ra rằng ngành nghề kinh doanh, lĩnh vực hoạt động có ảnh hưởng đến khả năng trả nợ của KHDN, nhất là đối với các KHDN hoạt động trong ngành sản xuất so với những ngành còn lại.  Quy mô doanh nghiệp Khả năng trả nợ của khách hàng ở một khía cạnh nào đó cũng phụ thuộc vào quy mô doanh nghiệp. Những doanh nghiệp có quy mô lớn, tài sản lớn cũng đồng nghĩa với việc khả năng chịu đựng tốt hơn với những biến động của thị trường, môi trường kinh doanh so với các doanh nghiệp có quy mô nhỏ hơn, nhất là khả năng thanh toán các nghĩa vụ nợ cũng tốt hơn. Tuy nhiên, trong một số trường hợp, các doanh nghiệp có quy mô lớn vẫn có thể gặp phải tình trạng mất khả năng thanh toán.

Đó là khi bên cạnh yếu tố quy mô, doanh nghiệp còn phải đồng thời gặp phải những vấn đề khác tác động xấu đến hoạt động kinh doanh. Ngoài ra, quy mô cũng là một trong những yếu tố đầu vào đầu tiên khi xếp hạng tín dụng KHDN tại các NHTM và thường được biểu hiện qua nhiều yếu tố như: Doanh thu thuần, vốn chủ sở hữu, số lượng lao động,….  Mức độ tín nhiệm Nền tảng của tín dụng chính là sự tin cậy giữa bên cấp tín dụng và bên được cấp tín dụng. Và điều này phần lớn được tạo nên từ mức độ tín nhiệm của người đi vay và bao gồm rất nhiều yếu tố như: thương hiệu và thị phần của doanh nghiệp trên thị trường, uy tín của ban lãnh đạo doanh nghiệp, lịch sử quan hệ tín dụng, thiện chí trả (LUAN.nam TIEU LUAN MOI download : [e-mail] 11 nợ của doanh nghiệp trong quá trình vay vốn, ….

Độ tin cậy càng cao càng giúp làm giảm thiểu đáng kể rủi ro doanh nghiệp không thanh toán được các nghĩa vụ nợ của mình  Khả năng tài chính Các chỉ tiêu về tài chính luôn là yếu tố được các NHTM quan tâm hàng đầu như: chỉ tiêu về khả năng thanh toán, chỉ tiêu về lợi nhuận, chỉ tiêu cân nợ, chỉ tiêu hoạt động. Và các chỉ tiêu này cũng được sử dụng phần lớn trong việc đánh giá khả năng trả nợ của khách hàng và các nghiên cứu về rủi ro tín dụng. Các doanh nghiệp có các chỉ tiêu về tài chính tốt trên thực tế và cả trong nghiên cứu thực nghiệm thường có khả năng trả nợ tốt hơn.