Luận án tiến sĩ về dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu container của Việt Nam

Luận án tiến sĩ phân tích rủi ro tín dụng trong đầu tư phát triển đội tàu container tại Việt Nam, cung cấp giải pháp và chiến lược hiệu quả.

• Trường học: Trường Đại Học Kinh Tế Quốc Dân
• Chuyên ngành: Quản Lý Tài Chính
• Đề tài: Dự Báo Rủi Ro Tín Dụng Trong Đầu Tư Phát Triển Đội Tàu Container Việt Nam
• Loại tài liệu: Luận Án Tiến Sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ CÁC CÔNG TRÌNH NGHIÊN CỨU ĐÃ CÔNG BỐ LIÊN QUAN TỚI ĐỀ TÀI LUẬN ÁN
• 1.1. Một số nghiên cứu điển hình về rủi ro tín dụng trên thế giới
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ DỰ BÁO, RỦI RO TÍN DỤNG VÀ DỰ BÁO RỦI RO TÍN DỤNG. THỰC TRẠNG CÔNG TÁC DỰ BÁO RỦI RO TÍN DỤNG TRONG ĐẦU TƯ PHÁT TRIỂN ĐỘI TÀU CONTAINER CỦA VIỆT NAM
• 4. CHƯƠNG 4: DỰ BÁO RỦI RO TÍN DỤNG TRONG ĐẦU TƯ PHÁT TRIỂN ĐỘI TÀU CONTAINER CỦA VIỆT NAM
• KẾT LUẬN VÀ KIẾN NGHỊ
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tính cấp thiết của đề tài

Đề tài 'Dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu container Việt Nam' được hình thành từ sự cần thiết phải phát triển ngành vận tải biển, đặc biệt là đội tàu container. Rủi ro tín dụng trong lĩnh vực này đang ở mức cao, với tỷ lệ nợ xấu lên đến 39%. Điều này ảnh hưởng đến khả năng cấp tín dụng của các tổ chức tín dụng (TCTD). Nghị quyết của Đảng khẳng định vai trò của kinh tế biển, với mục tiêu đến năm 2030, kinh tế biển chiếm 65-70% GDP. Đầu tư phát triển đội tàu container là một trong những yếu tố quan trọng để đạt được mục tiêu này. Việc nghiên cứu và dự báo rủi ro tín dụng sẽ giúp các TCTD đưa ra quyết định chính xác hơn trong việc cấp tín dụng cho các dự án đầu tư tàu container.

II. Mục đích và nhiệm vụ nghiên cứu

Mục đích của luận án là dự báo rủi ro tín dụng trong cho vay đầu tư phát triển đội tàu container của Việt Nam. Nhiệm vụ nghiên cứu bao gồm tổng quan các công trình khoa học liên quan, hệ thống hóa lý luận về dự báo, rủi ro tín dụng, và các phương pháp dự báo. Đặc biệt, nghiên cứu sẽ đánh giá thực trạng công tác dự báo rủi ro tín dụng tại các TCTD, từ đó xây dựng mô hình dự báo mới. Mô hình này sẽ giúp các TCTD có thêm cơ sở để ra quyết định cấp tín dụng, giảm thiểu rủi ro tín dụng trong đầu tư phát triển đội tàu container.

III. Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu của luận án là công tác dự báo rủi ro tín dụng tại các TCTD trong cho vay đầu tư phát triển đội tàu container. Phạm vi nghiên cứu bao gồm các tổ chức tín dụng hoạt động tại Việt Nam, từ ngân hàng đến tổ chức tín dụng phi ngân hàng. Nghiên cứu sẽ tập trung vào các dự án đầu tư từ năm 1997 đến 2019, với mục tiêu dự báo rủi ro tín dụng cho các dự án tàu container mới đến năm 2025. Việc xác định rõ đối tượng và phạm vi nghiên cứu sẽ giúp luận án có tính khả thi và ứng dụng cao.

IV. Phương pháp nghiên cứu

Luận án sử dụng nhiều phương pháp nghiên cứu khác nhau, bao gồm phương pháp điều tra, thống kê để thu thập số liệu về thực trạng đầu tư đội tàu container. Phương pháp phân tích, so sánh, đối chiếu sẽ được áp dụng để đánh giá công tác dự báo rủi ro tín dụng tại các ngân hàng. Đặc biệt, mô hình hồi quy Binary Logistic sẽ được sử dụng để xây dựng mô hình dự báo. Các phương pháp này sẽ giúp đảm bảo tính chính xác và độ tin cậy của kết quả nghiên cứu, từ đó cung cấp cơ sở khoa học cho việc dự báo rủi ro tín dụng trong đầu tư phát triển đội tàu container.

V. Ý nghĩa khoa học và thực tiễn của luận án

Luận án không chỉ góp phần hoàn thiện lý luận về dự báo và rủi ro tín dụng, mà còn đưa ra khái niệm mới về 'rủi ro tín dụng trong đầu tư tàu container'. Kết quả nghiên cứu sẽ giúp các TCTD có thêm thông tin để ra quyết định cấp tín dụng, từ đó giảm thiểu rủi ro tín dụng. Về mặt thực tiễn, luận án sẽ cung cấp cái nhìn tổng quan về thực trạng đầu tư đội tàu container tại Việt Nam, đồng thời chỉ ra những hạn chế trong công tác dự báo rủi ro tín dụng hiện nay. Điều này có ý nghĩa quan trọng trong việc nâng cao hiệu quả quản lý rủi ro tại các tổ chức tín dụng.

VI. Kết quả đạt được và những điểm mới của luận án

Luận án đã đạt được nhiều kết quả quan trọng, bao gồm hệ thống hóa lý luận về dự báo và rủi ro tín dụng, phân tích thực trạng rủi ro tín dụng trong đầu tư tàu container. Điểm mới của luận án là việc xây dựng mô hình dự báo chuyên biệt cho lĩnh vực này, giúp các TCTD có thêm công cụ để đánh giá rủi ro tín dụng. Luận án cũng đề xuất các biện pháp hạn chế rủi ro tín dụng trong đầu tư phát triển đội tàu container, từ đó nâng cao khả năng cấp tín dụng cho các dự án đầu tư trong tương lai.

Nội dung chính

Tổng quan về luận án

Phát triển kinh tế biển giữ vị trí chiến lược đặc biệt quan trọng trong tiến trình công nghiệp hóa, hiện đại hóa và hội nhập quốc tế của Việt Nam. Nghị quyết số 36-NQ/TW ngày 22/10/2018 của Ban Chấp hành Trung ương Đảng khóa XII về Chiến lược phát triển bền vững kinh tế biển Việt Nam đến năm 2030, tầm nhìn đến năm 2045 đã xác định mục tiêu cốt lõi: "kinh tế biển của 28 thành phố ven biển ước đạt 65-70% GDP của cả nước". Đồng thời, Quyết định số 1037/QĐ-TTg của Thủ tướng Chính phủ phê duyệt điều chỉnh Quy hoạch phát triển hệ thống cảng biển Việt Nam đến năm 2020, định hướng đến năm 2030 dự báo "sản lượng hàng hóa conatiner thông qua cảng tiếp tục tăng mạnh với ước đạt từ 630-715 triệu tấn". Mặc dù nhu cầu vận chuyển container nội địa và quốc tế tăng trưởng đột biến theo xu thế container hóa toàn cầu, "thị phần đội tàu container Việt Nam mới chiếm 3.6% trong đội tàu" tổng thể quốc gia—thấp hơn rất nhiều so với tỷ trọng bình quân của thế giới. Nghịch lý này đòi hỏi nhu cầu vốn đầu tư trung và dài hạn rất lớn từ hệ thống ngân hàng thương mại và các tổ chức tín dụng (TCTD).

Tuy nhiên, nút thắt nghiêm trọng nhất cản trở dòng vốn tín dụng chảy vào ngành vận tải biển nằm ở thực trạng rủi ro tín dụng (RRTD) diễn biến phức tạp, trong đó "tỷ lệ nợ xấu trong cho vay đầu tư tàu container lên đến 39%". Thực trạng này làm xói mòn niềm tin của các TCTD, dẫn tới việc siết chặt hạn mức và hạn chế tài trợ cho các dự án đóng mới hoặc mua sắm tàu container. Khoảng trống nghiên cứu (Research Gap) đặt ra là: Các nghiên cứu trước đây tại Việt Nam (Lê Thị Huyền Diệu, 2010; Trần Trung Tường, 2011; Nguyễn Đức Tú, 2012; Nguyễn Hùng Tiến, 2016; Trần Khánh Dương, 2019) chủ yếu tiếp cận RRTD ở cấp độ vĩ mô hoặc quản trị chung toàn ngân hàng mang tính định tính, chưa xây dựng được công cụ định lượng chuyên biệt để dự báo xác suất RRTD cho từng dự án đầu tư tàu container từ giai đoạn thẩm định khả thi tiền nghiệm (ex-ante).

Để giải quyết khoảng trống này, luận án tiến sĩ chuyên ngành Tổ chức và Quản lý vận tải với đề tài "Dự báo RRTD trong đầu tư phát triển đội tàu Container của Việt Nam" tập trung giải quyết 3 câu hỏi nghiên cứu cốt lõi:

• RQ1: Những nhân tố kinh tế vĩ mô, đặc thù ngành vận tải biển và năng lực nội tại của dự án nào chi phối trực tiếp đến xác suất phát sinh RRTD trong cho vay đầu tư tàu container tại Việt Nam?
• RQ2: Mô hình kinh tế lượng nào có khả năng lượng hóa tối ưu mối quan hệ phi tuyến giữa các biến độc lập và trạng thái rủi ro nhị phân của dự án đầu tư tàu container?
• RQ3: Làm thế nào để thiết lập một công cụ dự báo xác suất RRTD tiền nghiệm giúp các TCTD thẩm định chính xác tính khả thi trước khi ra quyết định cấp tín dụng giai đoạn 2020–2025?

Hệ thống giả thuyết nghiên cứu bao gồm:

• H1: Tỷ lệ nợ trên tổng vốn đầu tư, quy mô tài sản của doanh nghiệp và biến động giá cước vận tải container có tác động có ý nghĩa thống kê đến khả năng chuyển nhóm nợ xấu của dự án.
• H2: Mô hình hồi quy Binary Logistic khắc phục được các giới hạn của mô hình điểm số Z-score (Altman, 1968) và mô hình cấu trúc Merton (1974) khi dự báo rủi ro cho từng dự án tài sản cố định đơn lẻ.
• H3: Kết quả dự báo xác suất vỡ nợ tiền nghiệm có khả năng phân loại chính xác các dự án an toàn và rủi ro cao với ngưỡng cắt xác suất (cutoff point) $P \ge 0.5$.

Phạm vi nghiên cứu bao hàm toàn bộ dữ liệu lịch sử các dự án đầu tư tàu container tại Việt Nam giai đoạn 1997–2019, điều tra khảo sát "toàn bộ 41 các tổ chức tín dụng hoạt động tại Việt Nam ở thời điểm năm 2019 tương ứng với 41 mẫu", kết hợp dữ liệu lịch sử tín dụng từ Trung tâm Thông tin Tín dụng Quốc gia (CIC) và Cục Hàng hải Việt Nam, thực hiện kiểm định dự báo năm 2019 và phóng chiếu tiên nghiệm đến năm 2025.

---

Literature Review và Positioning

Lịch sử phát triển của lý thuyết định lượng và dự báo rủi ro tín dụng trên thế giới trải qua nhiều bước tiến mang tính nền tảng:

[1938: Macaulay] Phân tích thời lượng & rủi ro lãi suất trái phiếu
        │
        ▼
[1941: David Duran / Fisher] Phân tích phân biệt (Discriminant Analysis) nợ xấu/tốt
        │
        ▼
[1950s: Fair & Isaac] Hệ thống chấm điểm tín dụng FICO Score
        │
        ▼
[1966: Jan Mossin / Sharpe] Mô hình định giá tài sản vốn CAPM
        │
        ▼
[1968: Edward Altman] Mô hình Z-Score đa biến
        │
        ▼
[1974: Robert Merton] Mô hình cấu trúc dựa trên lý thuyết quyền chọn
        │
        ▼
[1976: Stephen Ross] Lý thuyết kinh doanh chênh lệch giá APT
        │
        ▼
[1997-1998: Jarrow-Lando-Turnbull & Besis] Xích Markov & Giá trị rủi ro VaR
        │
        ▼
[2010s: Bofondi & Ropele, Curak et al., Tehulu et al.] Kinh tế lượng vi mô/vĩ mô

Macaulay (1938) đặt nền móng cho việc lượng hóa rủi ro tài chính qua thời lượng trái phiếu. David Duran (1941) ứng dụng thuật toán phân nhóm của Fisher (1936) để phân định nợ tốt và nợ xấu, mở đường cho Bill Fair và Earl Isaac (thập niên 1950) phát triển hệ thống chấm điểm FICO thang đo 100. Jan Mossin (1966) giới thiệu mô hình CAPM đơn biến, sau đó được Stephen Ross (1976) mở rộng thành mô hình đa nhân tố APT (Arbitrage Pricing Theory). Sang thập niên 1990, Josel Besis (1998) hệ thống hóa quản trị rủi ro ngân hàng với mô hình Giá trị rủi ro (Value at Risk - VaR), cùng công trình của Robert A. Jarrow, David Lando và Stuart M. Turnbull (1997) ứng dụng xích Markov dự báo cấu trúc kỳ hạn chênh lệch rủi ro tín dụng.

Trong các nghiên cứu thực nghiệm quốc tế hiện đại:

• Bofondi và Ropele (2011) nghiên cứu hệ thống ngân hàng Italy (1990–2010), chứng minh tốc độ tăng trưởng GDP, tỷ lệ thất nghiệp và lãi suất là ba nhân tố vĩ mô quyết định chất lượng tín dụng của hộ gia đình và doanh nghiệp.
• Curak, Pepur và Poposki (2013) khảo sát 69 ngân hàng thương mại tại 10 quốc gia Đông Nam Châu Âu (2003–2010), chỉ ra mối quan hệ nghịch chiều giữa quy mô ngân hàng và tỷ lệ nợ xấu, đồng thời xác nhận lạm phát cao và tăng trưởng kinh tế suy giảm làm gia tăng đột biến RRTD.
• Tehulu và cộng sự (2014) sử dụng mô hình hiệu ứng ngẫu nhiên GLS trên mẫu 10 ngân hàng Ethiopia (2007–2011), chứng minh quy mô ngân hàng và tốc độ tăng trưởng tín dụng có tác động ngược chiều có ý nghĩa thống kê tới rủi ro nợ xấu.

Tại Việt Nam, các công trình của Lê Thị Huyền Diệu (2010), Trần Trung Tường (2011), Nguyễn Đức Tú (2012), Nguyễn Tuấn Anh (2012), Nguyễn Hùng Tiến (2016), Nguyễn Thị Gấm (2018) và Trần Khánh Dương (2019) đã hệ thống hóa lý luận quản trị rủi ro tín dụng theo chuẩn mực Basel, nhưng hầu hết dừng lại ở các chỉ số phân tích tĩnh hoặc mô hình chấm điểm định tính. Trong lĩnh vực dự báo kinh tế ngành, Cao Ngọc Châu (1994) dự báo nhu cầu vận tải hành khách; Nguyễn Thanh Hiếu (2016) ứng dụng mô hình tác động cố định (FEM) dự báo dòng tiền công ty tài chính; Phạm Thị Thu Hằng (2017) xây dựng 37 mô hình hồi quy EViews dự báo sản lượng hàng container qua cảng biển. Các công trình ứng dụng Binary Logistic của Đặng Văn Dân (2014), Vũ Quỳnh Nam (2017), Cù Thanh Thủy (2018), Nguyễn Hồng Thu (2018) đã chứng minh tính ưu việt của hàm hồi quy logit trong việc lượng hóa các quyết định nhị phân.

Tranh luận học thuật và định vị nghiên cứu: Giữa các trường phái lượng hóa rủi ro tồn tại hai luồng quan điểm đối lập:

• Quan điểm mô hình cấu trúc/chỉ số tĩnh (Altman Z-Score, Merton Model): Đòi hỏi giả định thị trường tài chính hoàn hảo, biến số phân phối chuẩn Gaussian liên tục và đánh giá rủi ro trên toàn bộ bảng cân đối kế toán của pháp nhân doanh nghiệp.
• Quan điểm kinh tế lượng vi mô phi tuyến (Binary Logistic Model): Tập trung vào xác suất biến cố vỡ nợ nhị phân của từng hợp đồng/dự án tài sản cụ thể mà không đòi hỏi phân phối chuẩn của các biến giải thích.

Luận án định vị chính xác tại điểm giao thoa giữa kinh tế học vận tải biển và khoa học kinh tế lượng tài chính, lấp đầy khoảng trống chưa từng có công trình nào xây dựng mô hình dự báo RRTD định lượng chuyên biệt cho từng dự án đầu tư tàu container tại Việt Nam.

---

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước đột phá về mặt lý luận thông qua việc bổ sung và chuẩn hóa hệ thống khái niệm chuyên ngành:

1. Khái niệm chuyên sâu về "Rủi ro tín dụng trong đầu tư tàu container": Là khả năng phát sinh tổn thất tài chính cho tổ chức tín dụng do chủ đầu tư dự án tàu container không thực hiện hoặc không có khả năng thực hiện đúng nghĩa vụ trả nợ gốc và lãi theo hợp đồng tín dụng, bắt nguồn từ tính chất đặc thù của tài sản hàng hải (chu kỳ vốn lớn, thời gian hoàn vốn kéo dài 10–15 năm, biến động cước vận tải biển quốc tế cực đoan và rủi ro thanh khoản tài sản bảo đảm).
2. Khái niệm "Dự báo rủi ro tín dụng chuyên biệt theo dự án": Là khoa học và nghệ thuật lượng hóa xác suất phát sinh biến cố nợ xấu của một phương án đầu tư tài sản cố định độc lập trong tương lai trước khi giải ngân, dựa trên việc mô hình hóa hồi quy đa biến giữa các yếu tố nội sinh của dự án và môi trường kinh tế biển.

┌────────────────────────────────────────────────────────────────────────┐
│                   KHUNG LÝ THUYẾT TÍCH HỢP TỔNG QUÁT                   │
└───────────────────────────────────┬────────────────────────────────────┘
                                    │
       ┌────────────────────────────┼────────────────────────────┐
       ▼                            ▼                            ▼
┌───────────────┐           ┌───────────────┐           ┌────────────────┐
│   Lý thuyết   │           │   Lý thuyết   │           │   Lý thuyết    │
│  Bất đối xứng │           │  Trung gian   │           │ Vỡ nợ Dự án &  │
│   Thông tin   │           │   Tài chính   │           │ Định giá Quyền │
│ (Akerlof,1970)│           │ (Diamond,1984)│           │ chọn (Merton)  │
└───────┬───────┘           └───────┬───────┘           └────────┬───────┘
        │                           │                            │
        └───────────────────────────┼────────────────────────────┘
                                    ▼
       ┌─────────────────────────────────────────────────────────┐
       │   MÔ HÌNH DỰ BÁO RRTD DỰ ÁN TÀU CONTAINER (LOGIT)        │
       │   Pi = E(Y=1|Xi) = 1 / [1 + e^-(β0 + β1X1 + ... + βkXk)] │
       └────────────────────────────┬────────────────────────────┘
                                    │
        ┌───────────────────────────┴───────────────────────────┐
        ▼                                                       ▼
┌───────────────────────────────┐               ┌───────────────────────────────┐
│   Quyết định Cấp tín dụng     │               │   Biện pháp Kiểm soát &       │
│   (Thẩm định Tiền nghiệm)     │               │   Phòng ngừa Rủi ro Ngành     │
└───────────────────────────────┘               └───────────────────────────────┘

Mô hình lý thuyết phát triển 3 mệnh đề (Propositions):

• Mệnh đề P1: Xác suất RRTD của dự án tàu container tỷ lệ thuận với tỷ đòn bẩy tài chính và tỷ lệ chi phí nhiên liệu/vận hành, tỷ lệ nghịch với hệ số bảo đảm nợ và năng lực quản trị khai thác luồng tuyến.
• Mệnh đề P2: Hàm Binary Logistic có khả năng phân lập rủi ro vượt trội so với các mô hình hồi quy tuyến tính cổ điển (OLS) do biến phụ thuộc $Y \in {0, 1}$ bị giới hạn trong khoảng xác suất $[0, 1]$.
• Mệnh đề P3: Các biến số đặc thù hàng hải có mức độ giải thích vượt trội hơn các chỉ tiêu tài chính kế toán chung khi dự báo xác suất trả nợ của dự án vận tải biển.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành 3 lý thuyết nền tảng:

• Lý thuyết Bất đối xứng thông tin (Information Asymmetry Theory) của George Akerlof (1970) và Joseph Stiglitz & Andrew Weiss (1981);
• Lý thuyết Trung gian tài chính (Financial Intermediation Theory) của Douglas Diamond (1984);
• Lý thuyết Vỡ nợ dự án tài sản cố định chu kỳ dài.

Hàm hồi quy Binary Logistic tổng quát được xây dựng: $$P_i = P(Y_i = 1 \mid X_i) = \frac{1}{1 + e^{-z_i}} = \frac{e^{z_i}}{1 + e^{z_i}}$$ Trong đó hàm chỉ số liên kết tuyến tính có dạng: $$z_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \dots + \beta_k X_{ki}$$

• $Y_i = 1$: Dự án rơi vào trạng thái rủi ro tín dụng cao (nợ nhóm 3 đến nhóm 5 theo phân loại của Ngân hàng Nhà nước).
• $Y_i = 0$: Dự án hoạt động an toàn, trả nợ đầy đủ đúng hạn (nợ nhóm 1 và nhóm 2).
• $P_i \ge 0.5 \Rightarrow$ Dự báo dự án có RRTD; $P_i < 0.5 \Rightarrow$ Dự báo dự án an toàn.

Điều kiện biên (Boundary Conditions): Mô hình áp dụng cho các dự án đầu tư tàu container khai thác nội địa và quốc tế có sử dụng vốn vay tín dụng tại các TCTD hoạt động hợp pháp tại Việt Nam; không áp dụng cho các dự án viện trợ không hoàn lại hoặc tài trợ thuần túy bằng vốn chủ sở hữu 100%.

---

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism Paradigm) kết hợp chủ nghĩa hiện thực phản biện (Critical Realism), sử dụng phương pháp nghiên cứu định lượng đóng vai trò chủ đạo (Quantitative-dominant mixed approach).

┌─────────────────────────────────────────────────────────────────────────┐
│                    QUY TRÌNH THIẾT KẾ NGHIÊN CỨU                        │
└────────────────────────────────────┬────────────────────────────────────┘
                                     │
        ┌────────────────────────────┴────────────────────────────┐
        ▼                                                         ▼
┌───────────────────────────────┐         ┌───────────────────────────────┐
│  DỮ LIỆU ĐIỀU TRA ĐỊNH TÍNH   │         │    DỮ LIỆU LỊCH SỬ THỰC CHỨNG │
│  Khảo sát toàn bộ N = 41      │         │    Dự án tàu container        │
│  TCTD tại Việt Nam (2019)     │         │    giai đoạn 1997 - 2019      │
└───────────────┬───────────────┘         └───────────────┬───────────────┘
                │                                         │
                └────────────────────┬────────────────────┘
                                     ▼
                  ┌─────────────────────────────────────┐
                  │    TAM GIÁC HÓA DỮ LIỆU (CIC,       │
                  │    Vinamarine, Đăng kiểm VN, TCTD)  │
                  └──────────────────┬──────────────────┘
                                     ▼
                  ┌─────────────────────────────────────┐
                  │    ƯỚC LƯỢNG MÔ HÌNH HỒI QUY         │
                  │    BINARY LOGISTIC (SPSS 20.0)      │
                  │    Phương pháp Forward Conditional  │
                  └──────────────────┬──────────────────┘
                                     ▼
                  ┌─────────────────────────────────────┐
                  │    KIỂM ĐỊNH MÔ HÌNH VÀ DỰ BÁO      │
                  │    - Omnibus Tests (p < 0.001)      │
                  │    - Hosmer-Lemeshow (p > 0.05)     │
                  │    - Dự báo Tiền nghiệm 2020-2025   │
                  └─────────────────────────────────────┘

Thiết kế nghiên cứu đa tầng (Multi-level design) kết hợp dữ liệu chéo của 41 TCTD và chuỗi dữ liệu dự án độc lập theo thời gian (1997–2019). Cỡ mẫu điều tra đạt tính đại diện tuyệt đối (Census sampling) khi bao phủ toàn bộ 100% các TCTD (ngân hàng thương mại nhà nước, ngân hàng TMCP, chi nhánh ngân hàng nước ngoài và công ty cho thuê tài chính) có hoạt động tài trợ vận tải biển tại Việt Nam.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được thực hiện thông qua cơ chế tam giác hóa dữ liệu (Data Triangulation):

• Dữ liệu đăng kiểm và kỹ thuật: Trích xuất từ Cục Hàng hải Việt Nam, Cục Đăng kiểm Việt Nam và các cơ sở dữ liệu hàng hải trực tuyến về tuổi tàu, dung tích TEU, cờ tàu và lịch trình khai thác.
• Dữ liệu tài chính và dư nợ: Trích xuất thông qua phiếu yêu cầu thông tin gửi Trung tâm Thông tin Tín dụng Quốc gia (CIC) kết hợp báo cáo tài chính kiểm toán của các doanh nghiệp vận tải biển.
• Dữ liệu khảo sát chuyên gia: Thu thập từ 41 bảng hỏi tiêu chuẩn gửi tới ban lãnh đạo và chuyên viên thẩm định rủi ro tại 41 TCTD.

Quy trình kiểm định thang đo và độ tin cậy được thực hiện nghiêm ngặt: Kiểm tra tính đơn hướng, độ giá trị hội tụ (Convergent Validity), độ giá trị phân biệt (Discriminant Validity) và kiểm định đa cộng tuyến thông qua hệ số phóng đại phương sai (VIF < 5).

Data và phân tích

Phân tích định lượng được thực hiện trên phần mềm IBM SPSS Statistics phiên bản 20.0.

Quy trình ước lượng sử dụng phương pháp khả năng tối đa (Maximum Likelihood Estimation - MLE) kết hợp thuật toán chọn biến từng bước có điều kiện (Forward Stepwise Conditional Selection).

Các kiểm định độ vững và mức độ phù hợp của mô hình:

• Kiểm định mức độ phù hợp tổng thể (Omnibus Tests of Model Coefficients): Giá trị Chi-square đạt mức ý nghĩa $p < 0.001$, bác bỏ giả thuyết $H_0$ rằng toàn bộ các hệ số hồi quy đồng thời bằng 0.
• Hệ số xác định tương đương: Cox & Snell $R^2$ và Nagelkerke $R^2$ giải thích phần lớn phương sai của xác suất RRTD.
• Kiểm định độ khớp Hosmer and Lemeshow Test: Đạt giá trị $p > 0.05$, khẳng định mô hình khớp hoàn hảo với dữ liệu thực nghiệm thực tế.
• Bảng phân loại dự báo (Classification Table): Tỷ lệ dự báo chính xác tổng thể (Overall Percentage Correct) và diện tích dưới đường cong ROC (AUC) đạt độ tin cậy cao vượt bậc so với các phương pháp chấm điểm truyền thống.

---

Phát hiện đột phá và implications

Những phát hiện then chốt

1. Minh chứng thực nghiệm về tỷ lệ nợ xấu 39%: Luận án lần đầu tiên lượng hóa chính xác tỷ lệ nợ xấu trong cho vay tàu container tại Việt Nam đạt mức kỷ lục 39% trong giai đoạn 1997–2019, cao gấp nhiều lần tỷ lệ nợ xấu bình quân toàn ngành ngân hàng.
2. Khắc phục sai lệch của thẩm định định tính chủ quan: Kết quả khảo sát 41 TCTD chỉ ra rằng hơn 80% các quyết định cấp tín dụng trước đây dựa trên phương pháp định tính và ý chí chủ quan của ban điều hành, dẫn đến sai số nghiêm trọng trong nhận định rủi ro chu kỳ ngành vận tải biển.
3. Tính ưu việt tuyệt đối của mô hình Binary Logistic: So với mô hình Z-score (Altman) chỉ đạt độ chính xác 57.6% (Grice & Ingram, 2001) hay mô hình Merton (1974) bị bó hẹp bởi phân phối Gaussian lý tưởng, mô hình Binary Logistic của luận án cho phép tính toán trực tiếp tỷ số chênh (Odds Ratio - $\text{Exp}(B)$), nhận diện chính xác các nhân tố quyết định với mức ý nghĩa thống kê $p < 0.05$.
4. Phát hiện nghịch lý quy mô và thâm dụng vốn: Các dự án đầu tư tàu container có tỷ lệ tài trợ vốn vay vượt quá 70% tổng mức đầu tư có xác suất vỡ nợ tăng theo hàm số mũ khi chỉ số giá cước vận tải biển biến động giảm từ 15–20%.
5. Dự báo tiền nghiệm giai đoạn 2020–2025: Luận án cung cấp bức tranh dự báo xác suất rủi ro cho từng nhóm tàu container đang vận hành và dự báo xác suất vỡ nợ tức thời cho các hồ sơ vay vốn mới trước khi TCTD ký hợp đồng tín dụng.

┌────────────────────────────────────────────────────────────────────────┐
│             SO SÁNH CÁC MÔ HÌNH ĐỊNH LƯỢNG RỦI RO TÍN DỤNG             │
├──────────────────┬──────────────────────┬──────────────────────────────┤
│ Mô hình          │ Giả định cốt lõi     │ Điểm hạn chế khi áp dụng cho │
│                  │                      │ dự án đầu tư tàu container   │
├──────────────────┼──────────────────────┼──────────────────────────────┤
│ Altman Z-Score   │ Phân tích biệt số    │ Đánh giá toàn bộ công ty; độ │
│ (1968)           │ trên chỉ số BCTC     │ chính xác giảm mạnh (<60%)   │
├──────────────────┼──────────────────────┼──────────────────────────────┤
│ Merton Structural│ Quyền chọn; giá trị  │ Giả định chuẩn Gaussian; chỉ │
│ Model (1974)     │ tài sản biến động    │ xét 1 khoản nợ đáo hạn cuối kỳ│
├──────────────────┼──────────────────────┼──────────────────────────────┤
│ CAPM / APT       │ Thị trường hiệu quả, │ Thiên về danh mục ngắn hạn,  │
│ (1966 / 1976)    │ cân bằng rủi ro-lợi  │ không dự báo xác suất vỡ nợ  │
├──────────────────┼──────────────────────┼──────────────────────────────┤
│ VaR (Besis, 1998)│ Mức tổn thất tối đa  │ Bỏ qua biến cố đuôi cực đoan │
│                  │ trong điều kiện tĩnh │ (Black Swan); không đo dự án │
├──────────────────┼──────────────────────┼──────────────────────────────┤
│ Binary Logistic  │ Hồi quy phi tuyến    │ TỐI ƯU CHO DỰ BÁO TIỀN NGHIỆM│
│ (Luận án đề xuất)│ xác suất nhị phân    │ TỪNG DỰ ÁN ĐẦU TƯ TÀU BIỂN   │
└──────────────────┴──────────────────────┴──────────────────────────────┘

Implications đa chiều

• Về mặt học thuật (Theoretical Advances): Bổ sung vào kho tàng khoa học dự báo kinh tế biển mô hình hàm logit chuyên biệt; mở rộng lý thuyết trung gian tài chính trong điều kiện thị trường hàng hải cận biên.
• Về mặt phương pháp luận (Methodological Innovations): Cung cấp quy trình chuẩn hóa gồm 5 bước lượng hóa rủi ro từ thu thập dữ liệu kỹ thuật hàng hải, xử lý chỉ số tài chính, ước lượng hàm logit trên SPSS đến thiết lập ma trận phân loại rủi ro tiền nghiệm.
• Về mặt thực tiễn ngân hàng (Practical Applications): Các TCTD có thể tích hợp trực tiếp công thức hồi quy của luận án vào phần mềm thẩm định tín dụng nội bộ, lượng hóa rủi ro thành con số xác suất cụ thể ($P_i$) thay vì chấm điểm cảm tính.
• Về mặt chính sách vĩ mô (Policy Recommendations): Cung cấp luận cứ khoa học để Ngân hàng Nhà nước và Bộ Giao thông Vận tải ban hành quy chế liên ngành về quản trị rủi ro cấp tín dụng hàng hải, định hướng gói hỗ trợ lãi suất cho đội tàu container quốc gia theo đúng tinh thần Nghị quyết 36-NQ/TW.

---

Limitations và Future Research

Hạn chế của nghiên cứu:

1. Giới hạn cỡ mẫu lịch sử: Số lượng dự án đầu tư tàu container tại Việt Nam trong giai đoạn 1997–2019 chịu giới hạn tự nhiên bởi quy mô đội tàu còn khiêm tốn (chiếm 3.6% tổng đội tàu quốc gia).
2. Tính khả dụng của dữ liệu tần suất cao: Chưa tích hợp được các chỉ số biến động giá cước thời gian thực theo ngày/tuần như China Containerized Freight Index (CCFI) hay Shanghai Containerized Freight Index (SCFI) vào mô hình do độ trễ báo cáo tài chính.
3. Điều kiện biên pháp lý: Mô hình được thiết lập dựa trên hệ thống văn bản quy phạm pháp luật và quy chế phân loại nợ của Ngân hàng Nhà nước Việt Nam, cần hiệu chỉnh khi áp dụng tại các quốc gia khác.

Chương trình nghiên cứu tương lai (Future Research Agenda):

• Ứng dụng các thuật toán máy học và trí tuệ nhân tạo nâng cao (Random Forest, Extreme Gradient Boosting - XGBoost, Mạng thần kinh nhân tạo Artificial Neural Networks) để so sánh hiệu năng dự báo với mô hình Binary Logistic.
• Xây dựng mô hình chuỗi thời gian động kết hợp Vector Autoregression (VAR) và Logit để đánh giá tác động lan truyền của các cú sốc kinh tế vĩ mô toàn cầu tới RRTD vận tải biển.
• Mở rộng phạm vi nghiên cứu sang các phân khúc tàu chuyên dụng khác như tàu chở khí hóa lỏng (LNG), tàu chở dầu thô (VLCC) và tàu chở hàng rời cỡ lớn (Capesize).
• Tích hợp các tiêu chí tài chính xanh và giảm phát thải carbon theo công ước IMO 2030/2050 vào hệ thống biến giải thích của mô hình dự báo RRTD.

---

Tác động và ảnh hưởng

• Tác động học thuật (Academic Impact): Dự kiến tạo ra nguồn trích dẫn quan trọng cho các nghiên cứu tiếp theo về tài chính hàng hải (Maritime Finance) và kinh tế vận tải tại Việt Nam và khu vực Đông Nam Á.
• Chuyển đổi ngành tài chính - ngân hàng: Giúp 41 TCTD tại Việt Nam chuyển dịch mô hình thẩm định từ định tính truyền thống sang mô hình định lượng hóa rủi ro hiện đại, chuẩn hóa quy trình ra quyết định theo thông lệ quốc tế Basel II và Basel III.
• Đóng góp phát triển ngành kinh tế biển: Giúp khơi thông dòng vốn tín dụng an toàn cho các doanh nghiệp vận tải biển, góp phần nâng cao năng lực cạnh tranh và gia tăng thị phần đội tàu container Việt Nam trên các tuyến vận chuyển quốc tế.
• Hiệu quả kinh tế - xã hội: Giảm thiểu nguy cơ phát sinh nợ xấu hàng nghìn tỷ đồng trong lĩnh vực hàng hải, bảo vệ an toàn hệ thống ngân hàng và thúc đẩy mục tiêu kinh tế biển đóng góp 65–70% GDP đất nước theo Nghị quyết số 36-NQ/TW.

---

Đối tượng hưởng lợi

• Nghiên cứu sinh và học viên cao học: Tiếp cận khung phân tích kinh tế lượng mẫu mực, phương pháp tam giác hóa dữ liệu và kỹ thuật hồi quy Binary Logistic chuyên sâu trong kinh tế vận tải.
• Giảng viên và nhà nghiên cứu cao cấp: Khai thác các phát hiện thực nghiệm và hệ thống cơ sở dữ liệu lịch sử giai đoạn 1997–2019 để phát triển các hướng nghiên cứu liên ngành tài chính - hàng hải.
• Khối Quản trị rủi ro & Thẩm định tín dụng tại các TCTD: Ứng dụng trực tiếp công cụ lượng hóa xác suất để sàng lọc hồ sơ vay vốn, thiết lập lãi suất cho vay tương xứng với mức độ rủi ro (Risk-based pricing).
• Doanh nghiệp vận tải biển: Tự đánh giá xác suất rủi ro của dự án đóng mới/mua tàu trước khi trình hồ sơ vay vốn ngân hàng, chủ động tái cấu trúc tỷ lệ vốn chủ sở hữu và dòng tiền trả nợ.
• Cơ quan quản lý nhà nước (NHNN, Bộ GTVT, Cục Hàng hải): Xây dựng các chính sách tín dụng đặc thù, phân bổ hạn mức tín dụng ưu đãi và giám sát rủi ro hệ thống trong chiến lược phát triển kinh tế biển.

---

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo và đột phá nhất của luận án là gì? Đóng góp lý thuyết độc đáo nhất là việc luận án đã bổ sung và chuẩn hóa khái niệm chuyên sâu về "rủi ro tín dụng trong đầu tư tàu container" và "dự báo rủi ro tín dụng dự án", đồng thời mở rộng ứng dụng lý thuyết lựa chọn nhị phân (Binary Choice Theory) vào phân tích dự báo tài trợ dự án tài sản cố định chu kỳ dài trong ngành kinh tế biển—lĩnh vực mà trước đây hoàn toàn khuyết thiếu các mô hình lượng hóa chuyên biệt.

2. Đổi mới phương pháp luận của nghiên cứu vượt trội hơn các nghiên cứu trước đây như thế nào? So với mô hình tĩnh Z-score (Altman, 1968) chỉ đo lường rủi ro phá sản chung của doanh nghiệp với độ chính xác dưới 60%, mô hình Merton (1974) đòi hỏi phân phối chuẩn lý tưởng không thực tế, hay các nghiên cứu quản trị rủi ro định tính tại Việt Nam (Nguyễn Đức Tú, 2012; Nguyễn Hùng Tiến, 2016), luận án đã phát triển mô hình hồi quy Binary Logistic chuyên biệt trên phần mềm SPSS 20.0. Mô hình lượng hóa trực tiếp xác suất vỡ nợ của từng dự án độc lập, không bị ràng buộc bởi giả định chuỗi thời gian, và xử lý hoàn hảo dữ liệu nhị phân ($Y \in {0, 1}$).

3. Phát hiện thực nghiệm nào bất ngờ và mang tính phản trực giác nhất? Phát hiện ấn tượng nhất là tỷ lệ nợ xấu trong cho vay tàu container tại Việt Nam lên tới 39%, nhưng nguyên nhân cốt lõi không thuần túy do thị trường vận tải biển suy thoái, mà bắt nguồn từ việc hơn 80% các TCTD sử dụng phương pháp thẩm định định tính cảm tính, bỏ qua việc lượng hóa xác suất rủi ro dòng tiền và đòn bẩy tài chính của dự án ngay từ khâu nghiên cứu khả thi.

4. Nghiên cứu có cung cấp quy trình tái lập (Replication Protocol) minh bạch không? Có. Luận án trình bày chi tiết toàn bộ cấu trúc biến số, phương pháp thu thập dữ liệu từ CIC và Cục Hàng hải, bảng mã hóa dữ liệu nhị phân, thuật toán Forward Conditional trong SPSS 20.0, tiêu chí kiểm định Omnibus, Hosmer-Lemeshow và ngưỡng cắt xác suất $P = 0.5$, cho phép các nhà nghiên cứu độc lập và các TCTD tái lập kiểm định trên các tập dữ liệu mới.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình ra sao? Lộ trình 10 năm tập trung vào 3 trụ cột: (1) Tích hợp dữ liệu lớn (Big Data) và trí tuệ nhân tạo (Machine Learning) để dự báo RRTD theo thời gian thực; (2) Xây dựng mô hình định lượng rủi ro tín dụng xanh (Green Maritime Credit Risk) thích ứng với lộ trình giảm phát thải của IMO; (3) Mở rộng mô hình dự báo sang chuỗi cung ứng logistics hàng hải tích hợp cảng biển - đội tàu - kho bãi toàn quốc.

---

Kết luận

1. Chuẩn hóa cơ sở lý luận chuyên biệt: Bổ sung vào hệ thống lý luận khoa học dự báo và kinh tế biển hai khái niệm nền tảng: "Rủi ro tín dụng trong đầu tư tàu container" và "Dự báo rủi ro tín dụng chuyên biệt theo dự án".
2. Khái quát bức tranh thực chứng toàn diện: Lượng hóa chính xác thực trạng nợ xấu 39% trong cho vay tàu container giai đoạn 1997–2019 và làm rõ các khiếm khuyết trong công tác thẩm định tín dụng tại 41 TCTD ở Việt Nam.
3. Phát triển thành công mô hình Binary Logistic tối ưu: Ứng dụng thành công hàm hồi quy Binary Logistic trên SPSS 20.0 để thiết lập công cụ dự báo xác suất RRTD tiền nghiệm với độ tin cậy và mức độ phù hợp cao qua các kiểm định thống kê khắt khe.
4. Cung cấp kết quả dự báo tiền nghiệm 2020–2025: Đưa ra dự báo rủi ro cụ thể cho các dự án đang vận hành và thiết lập công cụ lượng hóa xác suất vỡ nợ trước khi cấp tín dụng cho các dự án đầu tư tàu container mới.
5. Đề xuất hệ giải pháp đồng bộ: Kiến nghị 4 nhóm giải pháp hạn chế RRTD cho các TCTD và cơ quan quản lý nhà nước nhằm đảm bảo an toàn vốn và hiện thực hóa mục tiêu phát triển đội tàu container quốc gia.
6. Mở ra 3 nhánh nghiên cứu mới: Đặt nền móng cho các nghiên cứu tiếp theo về (i) Ứng dụng trí tuệ nhân tạo trong thẩm định tín dụng hàng hải; (ii) Định lượng rủi ro chuỗi logistics tích hợp cảng biển - vận tải biển; và (iii) Tài chính hàng hải xanh thích ứng với biến đổi khí hậu toàn cầu.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ CÁC CÔNG TRÌNH NGHIÊN CỨU ĐÃ CÔNG BỐ LIÊN QUAN TỚI ĐỀ TÀI LUẬN ÁN 1. Một số nghiên cứu điển hình về rủi ro tín dụng trên thế giới Năm 1938, Macaulay là người đầu tiên đưa ra phương pháp thể hiện một hình thức của dự báo rủi ro tín dụng khi đề xuất phương pháp đánh giá rủi ro lãi suất trái phiếu [25, tr. Điểm nổi bật của phương pháp này là đã lượng hóa được rủi ro tài chính và đưa ra dự báo trước khi đầu tư.

Mặt khác công bố nghiên cứu của Macaulay cũng đã tạo dựng nền tảng cơ bản cho xu thế lượng hóa rủi ro tài chính trong đó có rủi ro tín dụng cho các công trình nghiên cứu sau. Điểm hạn chế trong nghiên cứu của Macaulay là mới xét đến một hình thức giản đơn của tín dụng đó là trái phiếu. Bên cạnh đó việc dự báo rủi ro lãi suất trái phiếu và phương pháp đưa ra mới gắn liền với việc định giá trái phiếu khi lãi suất thay đổi trong khi thực tiễn rủi ro lãi suất trái phiếu chịu tác động từ nhiều nhân tố. Năm 1941, David Duran có công bố Công trình nghiên cứu với Cục Nghiên Cứu Kinh tế Quốc Gia Hoa Kỳ về đề tài ứng dụng phương pháp phân nhóm trong một tợp hợp do Fisher giới thiệu vào năm 1936.

Công trình nghiên cứu của David Duran đã kế thừa thành tựu của Fisher khi “phân biệt hai đặc tính của cây Irit” và nhận biết được rằng kỹ thuật đó có thể được sử dụng để phân biệt các khoản nợ xấu và tốt[63, tr. Điểm mới trong nghiên cứu này là đã đưa ra dự báo rủi ro tín dụng (RRTD) thông qua việc xác định khoản nợ tốt hoặc xấu trên cơ sở áp dụng thành tựu khoa học đặc biệt là toán học xác suất. Điểm hạn chế của công trình này là không trực tiếp lượng hóa và đưa ra dự báo rủi ro cho các khoản tín dụng cụ thể. Tuy nhiên Công trình có ý nghĩa lớn đối với hoạt động đánh giá rủi ro tín dụng khi đã gợi mở cho các tổ chức tín dụng ý tưởng sử dụng và phát triển mô hình hóa toán học vào hoạt động đánh giá rủi ro tín dụng.

luan 8an Thực tế qua nghiên cứu của David Duran, mô hình tính điểm tín nhiệm các cá nhân vay vốn[56, tr.83-91] đã phát triển và đóng vai trò là cơ sở quan trọng trong quá trình ra quyết định cấp tín dụng. Kế thừa những ý tưởng từ công trình của David Duran về đánh giá tín nhiệm khoản vay, vào những năm 1950 hai nhà nghiên cứu làm việc tại Đại học Stanford là Bill Fair và Earl Isaac có công trình nghiên cứu về mô hình chấm điểm tín nhiệm khoản vay với tên gọi là mô hình FICO. Điểm mới nổi bật của mô hình này là đã đánh giá rủi ro khoản vay dựa trên cơ sở lượng hóa cụ thể thông qua thang điểm tín nhiệm (thang điểm 100), điểm tín nhiệm càng cao thì khoản vay có khả năng rủi ro tín dụng càng thấp và ngược lại. Như vậy, mô hình đã đưa ra dự báo khả năng khoản vay cho một khách hàng trở thành một khoản vay xấu hay là tốt thông qua mô hình toán học để lượng hóa thành điểm tín dụng (điểm FICO)[64].

Ưu điểm của mô hình là sử dụng công cụ toán học để xác định điểm tín nhiệm do đó tránh được những yếu tố chủ quan trong việc đưa ra dự báo rủi ro tín dụng. Một điểm cần kế thừa từ công trình này là tính thực tiễn cao. Ngay từ ban đầu mô hình đã được hai tác giả giới thiệu và cho 50 ngân hàng tại Mỹ để thử nghiệm đánh giá điểm tín dụng của các khách hàng vay vốn tại 50 ngân hàng này. Từ thực tiễn áp dụng cho thấy độ tin cậy tốt của mô hình, đến nay mô hình FICO tiếp tục được điều chỉnh và được áp dụng rộng rãi trong việc đánh giá điểm tín nhiệm trước khi vay vốn từ đó dự báo rủi ro tín dụng có thể xảy ra trong tương lai giúp các ngân hàng đưa ra quyết định có cấp tín dụng hay không.

Điểm hạn chế của mô hình FICO là hàm toán học để xác định điểm tín nhiệm chưa bao hàm hết các yếu tố ảnh hưởng tới rủi ro tín dụng đặc biệt là các yếu tố tác động từ môi trường vĩ mô. Một điểm hạn chế nữa của mô hình FICO là việc đánh giá thang điểm tín nhiệm đối với một khoản tín dụng hiện tại luan 9an dựa trên các dữ liệu lịch sử nên không áp dụng được đối với những đối tượng mới chưa có dữ liệu quá khứ vì vậy thực tế mô hình FICO được sử dụng phổ biến cho các đối tượng nghiên cứu là thể nhân và các doanh nghiệp vi mô[69]. Sang thập kỷ 60 của thế kỷ 20, một xu hướng phát triển mạnh mẽ của mô hình hóa thống kê xác suất là ứng dụng vào dự báo rủi ro tín dụng. Công trình khoa học hoàn thiện sớm nhất theo xu hướng này và tạo ra một bước đột phá cho sự phát triển của lĩnh vực dự báo rủi ro là của tác giả Jan Mossin công bố năm 1966 với công trình nghiên cứu về đề tài Cân bằng trong thị trường tài sản vốn (Equilibrium in a Capital Asset Market)[58] được gọi tắt là mô hình CAMP.

So với các mô hình lượng hóa trước đó, công trình của Jan Mossin sử dụng hàm hồi quy đơn biến để xác định giá trị rủi ro thị trường từ đó đánh giá được tác động của nhân tố quan trọng nhất là sự thay đổi của thị trường tới rủi ro của tài sản đầu tư. Một điểm mạnh nữa của mô hình do Jan Mossin đưa ra là tính đơn giản và dễ áp dụng trong thực tế, nhờ đó mô hình có được tính thực tiễn cao và được nhiều tổ chức, cá nhân sử dụng trong việc đánh giá rủi ro đối với các phương án đầu tư. Điểm hạn chế của mô hình là chỉ tập trung xác định vào một nhân tố (sự thay đổi của thị trường) và loại bỏ các nhân tố khác do đó các học giả ủng hộ hồi quy đa biến đều cho rằng mặc dù công trình vẫn có tính hữu ích khi đánh giá rủi ro đầu tư song nó không có độ chính xác cao do lợi nhuận kỳ vọng và rủi ro khi đầu tư phụ thuộc vào nhiều yếu tố chứ không chỉ phụ thuộc vào yếu tố thay đổi của thị trường như Jan Mossin đã xác định trong mô hình của ông[25,tr. Khắc phục hạn chế của mô hình hồi quy đơn biến, vào năm 1976, Stephen Ross đã công bố mô hình hồi quy đa nhân tố (Multi Factor Model) để đánh giá rủi ro tài chính.

Mô hình của Stephen Ross kế thừa luan10an những thành tựu của mô hình CAMP về mối quan hệ giữa rủi ro đầu tư và biến động của thị trường tuy nhiên có ít giả thuyết hơn và mang tính tổng quát hơn. Với cách tiếp cận hồi quy đa biến, Stephen Ross đã xây dựng nên mô hình với tên gọi “Lý thuyết định giá kinh doanh chênh lệch (Arbitrage Pricing Theory – APT)” [65, tr. Ưu điểm của mô hình là áp dụng các công cụ toán học vào việc mô hình hóa mối quan hệ giữa rủi ro và lợi nhuận với nhiều nhân tố nhờ đó mô hình phản ánh và đưa ra kết quả có độ chính tin cậy cao. Thực tế mô hình của Stephen Ross đã nhận được sự tin tưởng của nhiều nhà khoa học kinh tế và nhiều nhà đầu tư đã sử dụng mô hình của Stephen Ross làm cơ sở để ra quyết định đầu tư.

Tuy đã đưa nhiều nhân tố vào để đánh giá rủi ro và lợi nhuận khi đầu tư song mô hình vẫn chưa phản ánh đầy đủ sự tác động của các nhân tố vào mối quan hệ giữa rủi ro và lợi nhuận. Đây là hạn chế không thể khắc phục được của bất kỳ mô hình toán học nào khi phản ánh các mối quan hệ kinh tế. Từ cuối thập kỷ 80 đến nay nhờ sự phát triển của các hệ thống máy tính, công nghệ thông tin, các phương pháp hồi quy log và quy hoạch tuyến tính đã trở thành những phương pháp rất đáng tin cậy trong nghiên cứu về các mối quan hệ kinh tế nói chung và rủi ro tín dụng nói riêng. Gần đây các ứng dụng trí thông minh nhân tạo như hệ thống chuyên gia hay mạng lưới trung hòa đã trở thành những kỹ thuật hàng đầu được áp dụng.

Nhờ đó, những nguyên lý đơn giản đầu tiên của việc đánh giá RRTD đã được bổ sung bằng các mô hình hồi quy phức tạp có nhiều nhân tố và gắn sát với thực tiễn hơn, từ đó nâng cao mức độ chính xác của kết quả dự báo, đáng chú ý nhất là mô hình “Giá trị rủi ro – Value at Risk”. Năm 1998, Josel Basis công bố nghiên cứu về “quản trị rủi ro ngân hàng - Risk Management in Banking”[61]. Tác giả đã khái quát và làm rõ những vấn đề lý luận cơ bản về quản trị rủi ro tín dụng từ các khái niệm cơ bản về rủi luan11an ro tín dụng, quản trị rủi ro tín dụng. Ngoài các khái niệm cơ bản, tác giả còn nghiên cứu sâu về các mô hình định lượng rủi ro tín dụng trong đó có mô hình VaR.

Các tác giả Bofondi, Marcello và Tiziano Ropele vào năm 2011 đã công bố công trình “Nghiên cứu các yếu tố vĩ mô tác động đến chất lượng các khoản vay đối với hộ gia đình và doanh nghiệp tại ngân hàng ở Italy từ 1990-2010”[55]. Kết quả nghiên cứu đã xác định các nhân tố vĩ mô chủ yếu tác động tới chất lượng các khoản vay gồm tốc độ tăng trưởng GDP, tỷ lệ thất nghiệp và lãi suất. Marijana Curak, Sandra Pepur và Klime Poposki vào năm 2013 đã công bố công trình “Nghiên cứu các yếu tố quyết định nợ xấu trong hệ thống ngân hàng Đông Nam Châu Âu với mẫu là 69 ngân hàng tại 10 quốc gia trong giai đoạn 2003-2010”[59]. Kết quả nghiên cứu của các tác giả đã tìm ra các nhân tố: tăng trưởng kinh tế thấp; lạm phát cao; lãi suất cao có ảnh hưởng chủ yếu và làm tăng rủi ro tín dụng.

Bên cạnh đó, nhóm tác giả còn tìm thấy mối quan hệ tỷ lệ nghịch giữa quy mô của ngân hàng và tỷ lệ nợ xấu, các ngân hàng có quy mô tín dụng lớn có thể giải quyết tốt hơn các tác động của nợ xấu.