Nghiên cứu về các yếu tố dự đoán rủi ro vỡ nợ trong ngân hàng bán lẻ tại Việt Nam - Luận văn ...

Nghiên cứu thực nghiệm về các yếu tố dự đoán mặc định trong ngân hàng bán lẻ tại Việt Nam, cung cấp cái nhìn sâu sắc cho ngành tài chính.

• Tác giả: Nguyen Bao Quoc
• Người hướng dẫn: Dr. Le Cong Tru
• Trường học: University of Economics
• Chuyên ngành: Development Economics
• Đề tài: Dự Đoán Rủi Ro Vỡ Nợ Trong Ngân Hàng Bán Lẻ Tại Việt Nam
• Loại tài liệu: Thesis
• Năm xuất bản: 2013
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• 1. CHAPTER 1: INTRODUCTION
• 1.1. Justification of the study
• 1.2. Scope of the study
• 1.3. Organization of the study
• 2. CHAPTER 2: LITERATURE REVIEW
• 2.1. History of credit scoring
• 2.2. Concepts of credit scoring
• 2.3. Reviews of economic theories
• 2.4. Reviews of empirical studies
• 2.5. Default predictors in markets for credit cards and instant loans
• 2.6. Default predictors in markets for automobiles, mortgages and real property construction
• 2.7. Default predictors in markets for individual loans
• 2.8. Empirical literature summary
• 2.9. Problems and limitations of previous studies
• 3. CHAPTER 3: DATA AND RESEARCH METHODOLOGY
• 3.1. Methodologies for CSM
• 3.2. Statistical tests of individual predictors
• 3.3. Goodness-of-fit statistics
• 3.4. Pseudo R-squared statistics
• 3.5. Cox and Snell's R2
• 3.6. Hosmer and Lemeshow test
• 3.7. Validations of predicted probabilities
• 3.8. Area under the ROC curve
• 4. CHAPTER 4: DATA ANALYSIS AND RESULTS
• 4.1. Personal tastes for loans by ages
• 4.2. Discretionary incomes and default
• 4.3. Nexus between loan amount and loan outcomes
• 4.4. Loan duration and loan outcomes
• 4.5. Collateral value and loan outcome
• 4.6. Differences in variables between defaulted and non-defaulted loans
• 4.7. Correlation matrix among independent variables
• 4.8. Overall evaluations and statistical tests of individual predictors
• 4.9. Goodness-of-fit statistics
• 4.10. Validations of predicted probabilities
• 4.11. Receiver operating characteristic and area under the ROC curve
• 5. CHAPTER 5: CONCLUSION AND POLICY IMPLICATIONS
• 5.1. Limitations and further studies
• DECLARATION
• ACKNOWLEDGEMENTS
• ABSTRACT
• LIST OF TABLES
• LIST OF FIGURES
• LIST OF ABBREVIATIONS

Tóm tắt

I. Tổng Quan Rủi Ro Vỡ Nợ Ngân Hàng Bán Lẻ Tại VN

Ngân hàng bán lẻ đóng vai trò quan trọng trong hệ thống tài chính Việt Nam. Tuy nhiên, sự tăng trưởng nhanh chóng của thị trường này đi kèm với rủi ro vỡ nợ gia tăng. Việc dự đoán rủi ro này là yếu tố then chốt để đảm bảo sự ổn định và hiệu quả hoạt động của các ngân hàng bán lẻ. Theo nghiên cứu của McKinsey Global Institute (2012), tín dụng ngân hàng trên GDP đã tăng mạnh, từ khoảng 22% năm 2000 lên hơn 120% sau mười năm. Sự phụ thuộc này làm tăng tính dễ tổn thương của nền kinh tế trước các vấn đề nợ xấu. Bài viết này đi sâu vào các yếu tố ảnh hưởng đến rủi ro vỡ nợ trong ngân hàng bán lẻ tại Việt Nam, đồng thời đề xuất các phương pháp dự đoán rủi ro hiệu quả. Áp lực cạnh tranh ngày càng lớn, việc quản trị rủi ro tín dụng trở nên cấp thiết hơn bao giờ hết.

1.1. Tầm quan trọng của việc dự đoán rủi ro tín dụng

Việc dự đoán rủi ro tín dụng chính xác giúp ngân hàng bán lẻ đưa ra các quyết định cho vay sáng suốt hơn, giảm thiểu nợ xấu và cải thiện lợi nhuận. Mô hình credit scoring giúp đánh giá khả năng trả nợ của khách hàng, từ đó điều chỉnh lãi suất và các điều khoản vay phù hợp. Việc áp dụng các mô hình này cũng giúp các ngân hàng tuân thủ các quy định về quản trị rủi ro của Ngân hàng Nhà nước Việt Nam và các tiêu chuẩn quốc tế như Basel II và Basel III.

1.2. Thực trạng nợ xấu trong ngân hàng bán lẻ Việt Nam

Mặc dù con số nợ xấu được báo cáo có vẻ được kiểm soát, con số thực tế có thể cao hơn nhiều. Việc tăng trưởng tín dụng quá nhanh và sự suy giảm kinh tế do các yếu tố khách quan như đại dịch COVID-19 đã tác động tiêu cực đến khả năng trả nợ của nhiều khách hàng. Điều này đòi hỏi các ngân hàng bán lẻ cần phải có những biện pháp phòng ngừa rủi ro chủ động và hiệu quả hơn.

II. Thách Thức Xác Định Yếu Tố Gây Vỡ Nợ Cá Nhân

Việc xác định chính xác các yếu tố gây vỡ nợ cá nhân là một thách thức lớn đối với các ngân hàng bán lẻ. Các yếu tố này có thể bao gồm các đặc điểm cá nhân của người vay (ví dụ: thu nhập, lịch sử tín dụng, trình độ học vấn), các đặc điểm của khoản vay (ví dụ: số tiền vay, thời hạn vay, mục đích vay), và các yếu tố kinh tế vĩ mô (ví dụ: lãi suất ngân hàng, lạm phát, tăng trưởng GDP). Việc bỏ qua bất kỳ yếu tố quan trọng nào có thể dẫn đến việc đánh giá sai rủi ro tín dụng và tăng nguy cơ vỡ nợ. Theo Stiglitz & Weiss (1981), sự bất cân xứng thông tin là một trong những nguyên nhân chính dẫn đến rủi ro cho vay.

2.1. Ảnh hưởng của yếu tố cá nhân đến khả năng trả nợ

Các yếu tố như thu nhập hộ gia đình, chi tiêu tiêu dùng, và lịch sử tín dụng có ảnh hưởng lớn đến khả năng trả nợ của khách hàng. Những người có thu nhập ổn định và lịch sử tín dụng tốt thường ít có khả năng vỡ nợ hơn. Ngược lại, những người có thu nhập không ổn định hoặc có nợ quá hạn trong quá khứ có nguy cơ vỡ nợ cao hơn.

2.2. Vai trò của đặc điểm khoản vay trong dự đoán rủi ro

Số tiền vay, thời hạn vay, và mục đích vay cũng là những yếu tố quan trọng cần xem xét. Những khoản vay lớn hoặc có thời hạn dài thường có rủi ro cao hơn. Mục đích vay cũng quan trọng: vay tiêu dùng có thể có rủi ro khác so với vay thế chấp. Theo Summers and Wilson (2000), việc đánh giá rủi ro khách hàng là một trong sáu trách nhiệm chính của hoạt động cho vay.

2.3. Tác động của yếu tố kinh tế vĩ mô đến rủi ro vỡ nợ

Các yếu tố kinh tế vĩ mô như lãi suất ngân hàng, lạm phát, và tăng trưởng GDP có thể ảnh hưởng đến khả năng trả nợ của nhiều khách hàng. Khi lãi suất tăng, chi phí trả nợ tăng, làm tăng nguy cơ vỡ nợ. Tương tự, lạm phát có thể làm giảm sức mua của người dân và làm giảm khả năng trả nợ. Đại dịch COVID-19 cũng đã gây ra những tác động tiêu cực đến nhiều ngành nghề, khiến nhiều người mất việc làm và giảm thu nhập, dẫn đến tình trạng nợ xấu gia tăng.

III. Phương Pháp Mô Hình Dự Đoán Rủi Ro Tín Dụng Hiệu Quả

Để dự đoán rủi ro vỡ nợ hiệu quả, các ngân hàng bán lẻ có thể sử dụng nhiều mô hình dự đoán rủi ro tín dụng khác nhau. Các mô hình này có thể dựa trên các phương pháp thống kê truyền thống (ví dụ: hồi quy logistic, phân tích thống kê) hoặc các kỹ thuật machine learning (ví dụ: mạng nơ-ron). Việc lựa chọn mô hình phù hợp phụ thuộc vào dữ liệu có sẵn, mục tiêu dự đoán, và khả năng giải thích của mô hình. Altman & Saunders (1997) nhấn mạnh tầm quan trọng của việc đo lường rủi ro tín dụng trong bối cảnh gia tăng phá sản và cạnh tranh khốc liệt.

3.1. Ưu điểm và nhược điểm của hồi quy logistic trong dự đoán rủi ro

Hồi quy logistic là một phương pháp thống kê phổ biến được sử dụng để dự đoán rủi ro trong ngân hàng bán lẻ. Ưu điểm của phương pháp này là dễ hiểu, dễ triển khai, và cho phép ước tính xác suất vỡ nợ. Tuy nhiên, hồi quy logistic có thể không hiệu quả trong trường hợp dữ liệu phức tạp hoặc có mối quan hệ phi tuyến tính giữa các biến. Nó cũng có thể bị ảnh hưởng bởi các biến ngoại lai và đa cộng tuyến.

3.2. Ứng dụng mô hình machine learning trong dự đoán rủi ro

Các kỹ thuật machine learning như mạng nơ-ron có thể được sử dụng để dự đoán rủi ro một cách hiệu quả hơn trong trường hợp dữ liệu phức tạp. Các mô hình này có khả năng học các mối quan hệ phi tuyến tính và xử lý các biến tương tác. Tuy nhiên, các mô hình machine learning thường khó giải thích hơn và đòi hỏi lượng dữ liệu lớn hơn để huấn luyện.

3.3. Xây dựng credit scoring dựa trên dữ liệu tín dụng và hành vi khách hàng

Credit scoring là một công cụ quan trọng để đánh giá rủi ro tín dụng của khách hàng. Credit scoring có thể được xây dựng dựa trên dữ liệu tín dụng từ CIC (Trung tâm Thông tin Tín dụng Quốc gia Việt Nam) và dữ liệu về hành vi khách hàng từ các nguồn khác nhau. Việc kết hợp nhiều nguồn dữ liệu khác nhau giúp tăng độ chính xác của mô hình dự đoán.

IV. Hướng Dẫn Các Bước Quản Trị Rủi Ro Vỡ Nợ Cho Ngân Hàng

Quản trị rủi ro vỡ nợ là một quá trình liên tục và phức tạp, bao gồm nhiều bước khác nhau. Các bước này bao gồm việc xác định, đo lường, giám sát, và kiểm soát rủi ro. Các ngân hàng bán lẻ cần phải xây dựng một hệ thống quản trị rủi ro toàn diện, bao gồm các chính sách tín dụng, quy trình thẩm định tín dụng, và các biện pháp phòng ngừa rủi ro hiệu quả. Claessens, Krahnen, & Lang (2005) nhấn mạnh tầm quan trọng của việc thúc đẩy các phương pháp đo lường rủi ro tín dụng trong bối cảnh Basel II.

4.1. Xây dựng chính sách tín dụng chặt chẽ và linh hoạt

Chính sách tín dụng cần phải được xây dựng dựa trên việc đánh giá rủi ro cẩn thận và phù hợp với điều kiện thị trường. Chính sách tín dụng cần phải quy định rõ các tiêu chí cho vay, giới hạn cho vay, và các biện pháp phòng ngừa rủi ro. Đồng thời, chính sách tín dụng cũng cần phải linh hoạt để thích ứng với những thay đổi trong môi trường kinh doanh.

4.2. Nâng cao quy trình thẩm định tín dụng

Quy trình thẩm định tín dụng cần phải được thực hiện một cách kỹ lưỡng và khách quan. Các ngân hàng cần phải thu thập đầy đủ thông tin về khách hàng, bao gồm thông tin về thu nhập, tài sản, và lịch sử tín dụng. Các ngân hàng cũng cần phải sử dụng các mô hình dự đoán rủi ro để đánh giá khả năng trả nợ của khách hàng.

4.3. Giám sát và kiểm soát rủi ro tín dụng thường xuyên

Các ngân hàng cần phải giám sát và kiểm soát rủi ro tín dụng một cách thường xuyên. Việc này bao gồm việc theo dõi tình hình trả nợ của khách hàng, đánh giá chất lượng danh mục tín dụng, và thực hiện các biện pháp khắc phục khi cần thiết. Việc báo cáo và phân tích rủi ro tín dụng cũng cần được thực hiện một cách định kỳ.

V. Kết Luận Tương Lai Dự Báo Rủi Ro Ngân Hàng Bán Lẻ

Việc dự đoán rủi ro vỡ nợ trong ngân hàng bán lẻ tại Việt Nam là một vấn đề quan trọng và cấp thiết. Các ngân hàng bán lẻ cần phải đầu tư vào việc xây dựng và triển khai các mô hình dự đoán rủi ro hiệu quả, đồng thời nâng cao năng lực quản trị rủi ro. Sự phát triển của công nghệ và dữ liệu lớn mở ra nhiều cơ hội mới cho việc dự đoán rủi ro chính xác hơn và hiệu quả hơn. Brill (1998) nhấn mạnh rằng việc xây dựng và tinh chỉnh credit scoring model mang lại nhiều lợi ích, bao gồm tiết kiệm chi phí và cải thiện dòng tiền.

5.1. Ứng dụng công nghệ và dữ liệu lớn trong dự đoán rủi ro

Công nghệ và dữ liệu lớn có thể giúp các ngân hàng thu thập và phân tích thông tin về khách hàng một cách nhanh chóng và hiệu quả hơn. Các ngân hàng có thể sử dụng dữ liệu từ nhiều nguồn khác nhau, bao gồm dữ liệu từ báo cáo tín dụng, dữ liệu từ mạng xã hội, và dữ liệu từ các giao dịch trực tuyến. Việc phân tích dữ liệu này có thể giúp các ngân hàng xác định các yếu tố rủi ro tiềm ẩn và dự đoán rủi ro một cách chính xác hơn.

5.2. Vai trò của Ngân hàng Nhà nước Việt Nam trong việc quản lý rủi ro tín dụng

Ngân hàng Nhà nước Việt Nam đóng vai trò quan trọng trong việc quản lý rủi ro tín dụng trong hệ thống ngân hàng. Ngân hàng Nhà nước ban hành các quy định về quản trị rủi ro, giám sát hoạt động của các ngân hàng, và cung cấp thông tin về rủi ro tín dụng. Việc tuân thủ các quy định của Ngân hàng Nhà nước là điều kiện tiên quyết để các ngân hàng hoạt động một cách an toàn và hiệu quả.

Trích đoạn nội dung tài liệu

UNIVERSITY OF ECONOMICS INSTITUTE OF SOCIAL STUDIES HO CHI MINH CITY 2013 HO CHI MINH CITY THE HAGUE VIETNAM THE NETHERLANDS VIETNAM – NETHERLANDS PROGRAMME FOR M. IN DEVELOPMENT ECONOMICS MASTER'S THESIS IN DEVELOPMENT ECONOMICS DEFAULT PREDICTORS IN RETAIL BANKING – AN EMPIRICAL STUDY IN VIETNAM By NGUYEN BAO QUOC MASTER OF ARTS IN DEVELOPMENT ECONOMICS NGUYEN BAO QUOC HO CHI MINH CITY, SEPTEMBER 2013 TIEU LUAN MOI download : [e-mail] UNIVERSITY OF ECONOMICS INSTITUTE OF SOCIAL STUDIES HO CHI MINH CITY THE HAGUE VIETNAM THE NETHERLANDS VIETNAM - NETHERLANDS PROGRAMME FOR M. IN DEVELOPMENT ECONOMICS DEFAULT PREDICTORS IN RETAIL BANKING – AN EMPIRICAL STUDY IN VIETNAM A thesis submitted in partial fulfillment of the requirements for the degree of MASTER OF ARTS IN DEVELOPMENT ECONOMICS By NGUYEN BAO QUOC Academic supervisor: Dr. LE CONG TRU HO CHI MINH CITY, SEPTEMBER 2013 TIEU LUAN MOI download : [e-mail] DECLARATION I declare that "Default Predictors in Retail Banking – An Empirical Study in Vietnam" is my own work; it has not been submitted to any degree at other universities. I confirm that I have made by effort and applied all knowledge for finishing this thesis in the best way. Ho Chi Minh City, September 2013 NGUYEN BAO QUOC i TIEU LUAN MOI download : [e-mail] ACKNOWLEDGEMENTS First and foremost I would like to offer my gratitude to my supervisor, Dr. Le Cong Tru, for invaluable comments, remarks and engagement through the learning process of the thesis. Then I have Mr. Le Duc Anh to thank for introducing me to the topic. I am also much obliged to Associate Prof. Nguyen Trong Hoai, Dr. Pham Khanh Nam and Dr. Luca Tasciotti for helpful remarks on my TRD as well as keeping me on the right track. For the availability of the dataset, I am thankful to MDE. Tran Thu Trang from the Head Office of BIDV. Last but not least, I am deeply indebted to my parents, my dearly beloved wife, my brothers and sisters for all the understanding and spiritual assistance. I will wholeheartedly be grateful forever for your love. ii TIEU LUAN MOI download : [e-mail] ABSTRACT Due to intense competition, over-lending and economic turmoil, banking system in Vietnam is suffering a huge amount of non-performing loans. Given the considerable growth of retail banking market, an exploration of risk predictors becomes crucial more than ever. This paper investigates key factors that influence loan repayment performance among individual customers. The survey covers a representative sample of personal loans from one of the largest Vietnamese commercial banks. A logistic regression technique is employed to evaluate the relationship between delinquency and borrower characteristics and loan features. The regression results reveal that borrower characteristics, e. borrowing history, bank- account holding and education level, rather than loan factors, such as purposes, duration and credit limit, have stronger effects on the default outcome. This suggests that bankers apply appropriate adjustments to borrower characteristics to minimize default risk. Key words: retail banking, credit scoring, default, risk, logistic regression, probability. iii TIEU LUAN MOI download : [e-mail] TABLE OF CONTENTS DECLARATION . iii TABLE OF CONTENTS . iv LIST OF TABLES . vii LIST OF FIGURES . vii LIST OF ABBREVIATIONS .viii Chapter 1 INTRODUCTION . Justification of the study . Scope of the study . Organization of the study. 5 Chapter 2 LITERATURE REVIEW . History of credit scoring . Concepts of credit scoring . Reviews of economic theories . Reviews of empirical studies . Default predictors in markets for credit cards and instant loans. Default predictors in markets for automobiles, mortgages and real property construction . Default predictors in markets for individual loans . Empirical literature summary . Problems and limitations of previous studies . 21 iv TIEU LUAN MOI download : [e-mail] Chapter 3 DATA AND RESEARCH METHODOLOGY . Methodologies for CSM . Statistical tests of individual predictors . Goodness-of-fit statistics . Pseudo R-squared statistics. Cox and Snell's R2 . Hosmer and Lemeshow test . Validations of predicted probabilities . Area under the ROC curve . 38 Chapter 4 DATA ANALYSIS AND RESULTS . Personal tastes for loans by ages . Discretionary incomes and default. Nexus between loan amount and loan outcomes . Loan duration and loan outcomes . Collateral value and loan outcome . Differences in variables between defaulted and non-defaulted loans . Correlation matrix among independent variables . 45 v TIEU LUAN MOI download : skknchat@gmail. Overall evaluations and statistical tests of individual predictors . Goodness-of-fit statistics . Validations of predicted probabilities . Receiver operating characteristic and area under the ROC curve . 57 Chapter 5 CONCLUSION AND POLICY IMPLICATIONS . Limitations and further studies . 67 vi TIEU LUAN MOI download : [e-mail] LIST OF TABLES Table 2. Credit scoring vs. Summary of variables . Overview of variables. Predictive accuracy of CSMs . Variables initially considered for the CSM . Loan type statistics . Differences in variables between the loan outcomes . Correlation coefficients among continuous independent variables . Information values for explanatory variables . Performance of the models . 53 LIST OF FIGURES Figure 2. Process of credit scoring . ROC Curve and AUC . Steps in binary logistic regression. Gender and loan sample . Average loan size vs. age and purposes . Default frequencies among different groups of discretionary incomes . Default frequencies among different groups of loan amounts . Default frequencies among different groups of loan duration . Default frequencies among different ratios of collateral-to-loan . ROC curves and AUC . 53 vii TIEU LUAN MOI download : [e-mail] LIST OF ABBREVIATIONS BIDV Joint Stock Commercial Bank for Investment and Development of Vietnam BIS Bank for International Settlements CAPM Capital Asset Pricing Model CSM Credit Scoring Model ECOA Equal Credit Opportunity Act NPL Non-performing Loan SBV State Bank of Vietnam VND Vietnam dong viii TIEU LUAN MOI download : [e-mail] Chapter 1 INTRODUCTION This chapter introduces the thesis topic and identifies the main issues which will be covered in the following sections. The background and motivation to the study will come first. Then the research objectives, research questions and scope will be introduced. The next will be the main contribution of the study and the thesis structure is to be briefly displayed at the end of the chapter. Background In spite of the wide variety of banking businesses, providing loans for corporate customers and individuals constitutes the majority of proceeds for commercial banks as well as other credit institutions. As information asymmetries prevail, lenders are trading with a risk of borrowers falling in default (Stiglitz & Weiss, 1981). However, asymmetric information is not the only threat since social factors along with effects of business cycles may also impact upon the delinquency (Allen, DeLong, & Saunders, 2004). To advocate lending activities, measurement of credit risk has been taken seriously and therefore has made dramatic progress over two past decades (Altman & Saunders, 1997). These two scholars point out several forces that give impulse to credit-risk measurement. They involve: (1) a worldwide increase in cases of bankruptcies, (2) disintermediation trend by the largest borrowers and highest quality, (3) marginal competitiveness on loans, (4) a decreasing value of property (and collateral as a result), and (5) a sharp rise in off-balance sheet instruments. After Bank for International Settlements (BIS) has launched the revised framework Basel II, banks are encouraged to promote their approaches on credit-risk measurement (Claessens, Krahnen, & Lang, 2005) and vendors start to offer improved models to banks for calculating the regulatory capital requirements. Together with the rapid increase in bank loans for corporates and institutions, the need of individual credit today is at its highest (Brown, Taylor, & Wheatley Price, 2005) and "lending boom appears to be particularly strong in the segment of loans to households," as argued by Backé and Wójcik (2008). Unlike the wholesale banking which trades with large and typically rated borrowers, the retail banking deals with small loan sizes and a huge number of personal clients who, in most cases, have no credit ratings at all. Since each loan is relatively not large in amount, it is implied that the risk of default on any personal loan is quite minimal. Traditionally, a loan approval is based on the credit officer's judgment or 1 TIEU LUAN MOI download : [e-mail] experience from previous decisions. However, it is costly and time-consuming for each loan profile to be examined separately. In fact, no loss on any separate retail loan can put a bank close to insolvency. Hence, unit cost for appraising the default risk of a retail loan may be larger than the reward in terms of loss prevention and it might not be worthwhile determining the risk on the basis of an individual loan. As a result, to measure the level of credit risk as a whole for such individual loan segmentation, banks use loan default predicting models or credit scoring models (CSMs) whose goal is to forecast bad outcomes and make sure that good loans are not falsely rejected and bad loans are not wrongly accepted either. According to Yang, Nie, and Zhang (2009), the credit rating of banks has three important milestones which are: (1) Expert system, (2) Credit scoring, and (3) Probability of default model. So far there have been many good remarks associated with those approaches as follows. Brill (1998) argues that building and refining a CSM can have certain benefits such as cost saving in credit assessment, faster credit analysis and improvement in cash flow and collections. Chen and Huang (2003) account that with considerable loan portfolios, just a slight enhancement in credit scoring authenticity can lower the lenders' risk and translate significantly into later savings. Fishelson-Holstine (2004) proves that CSMs are devised to accommodate the need of increasing loan volume, mitigating credit risks and treating customer impartially. That is the reason why such tools are beneficial to both institutional creditors and borrowers. In the same way, Allen et al. (2004) reckon that banks applying CSMs tend to be more efficient at lower costs. Dinh and Kleimeier (2007) insist that if a good model is employed with the availability of reliable data, scoring would greatly diminish the risk. Noticeably, the Board of Governors of the Federal Reserve System (2007) reports to the Congress that "credit scoring reduces the cost of lending or facilitates more effective risk-based pricing of loans, increased use of credit scoring may expand the range of applicants to whom lenders are able to make loans profitably" (pp. Problem statement Banking sector in Vietnam has been growing significantly in the last decade. A report by McKinsey Global Institute (2012) reveals that total bank credit to GDP in nominal local currency has increased sharply from approximately 22% as of 2000 to more than 120% ten years later, equivalent to 33% annual growth which is the highest among neighboring countries: India, China, Indonesia, Malaysia, Thailand and the Philippines. The statistical figure reveals that Vietnamese economy totally depends on the banks' sources now just after one decade. The rapid expansion in banks' lending will also bring non-performing loans (NPLs). 2 TIEU LUAN MOI download : [e-mail] While the reported level of bad loans appears to be under control, the true volume is likely to be much higher than what is publicized. In reality, NPLs climb up to 10% in May 2012, 4% higher than that in 2011 and equal to 10% of the year's GDP.1 Therefore, the situation is an urge for a stricter standard of bad debt recognition in order to manage credit risk, especially in the context of global financial crisis, Vietnamese economic downturn and intense competition over the past few years. As Vietnam's banking market is maturing, banks have to deal with competition not only from other domestic credit institutions but from well-performing foreign banks as well. Despite the fact that retail banking has been growing rapidly over recent years, BIDV has not taken this trend seriously.