Mô Hình Đánh Giá Tín Dụng Doanh Nghiệp Nhỏ Tại Việt Nam: Phân Tích Xác Suất Vỡ Nợ

Nghiên cứu mô hình xếp hạng tín dụng SME tại Việt Nam và đánh giá xác suất vỡ nợ, cung cấp cái nhìn sâu sắc về thị trường tài chính.

• Tác giả: Nguyen Viet Duc
• Người hướng dẫn: Dr. Nguyen Thi Thuy Linh
• Trường học: University of Economics
• Chuyên ngành: Development Economics
• Đề tài: Mô Hình Đánh Giá Tín Dụng Doanh Nghiệp Nhỏ Tại Việt Nam: Phân Tích Xác Suất Vỡ Nợ
• Loại tài liệu: Thesis
• Năm xuất bản: 2016
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• CERTIFICATION
• ACKNOWLEDGEMENT
• ABSTRACT
• 1. CHAPTER 1: INTRODUCTION
• 1.1. Research objectives and research questions
• 1.2. Scope of the study
• 1.3. Contributions and Implications
• 1.4. Organization of the thesis
• 2. CHAPTER 2: LITTERATURE REVIEW
• 2.1. Concepts of credit rating
• 2.2. Worldwide approaches for credit rating
• 2.3. Empirical studies on credit rating
• 3. CHAPTER 3: RESEARCH METHODOLOGY
• 3.1. Analytical framework and hypotheses
• 3.2. Binominal logistic regression
• 3.3. Multinomial logistic regressions
• 3.4. Linear regression quick reviews
• 3.5. Data sources and data treatment
• 3.6. The Data Set
• 3.7. Independent variables selecion
• 3.8. Independent variables transformation
• 4. CHAPTER 4: EMPERICAL RESULTS
• 4.1. The first model with Dependent variable is Default01
• 4.2. The author’s observation after run a “full model”
• 4.3. Final binominal regression models
• 4.4. Interesting results for Model 1.1-Qualitative marginal effects
• 4.5. Initiative for automatic tool
• 4.6. The second model with Dependent variable is F2-loan group
• 4.7. The author’s observation after run a “full model”
• 4.8. Final ologit regression models
• 4.9. Some more interesting results
• 4.10. The third model with Dependent variable is F2n-day of late payment
• 4.11. The author’s observation after run a “full model”
• 4.12. Final linear regression models. Some more interesting results
• 4.13. Test for any other limitation
• 4.14. Checking for Multicollinearity
• 4.15. Checking for Homoscedasticity
• 4.16. Comparing results of some models
• 4.17. Logit functions back test
• 4.18. Ologit functions back test
• 4.19. Linear functions back test
• 5. CHAPTER 5: CONCLUSION AND IMPLICATIONS
• 5.1. Limitations of the study
• 5.2. Suggestion for further studies
• Appendix 1-Variable Descriptive Statistic
• Appendix 2-Full model for Logit functions
• Appendix 3-Full model for Ologit functions
• Appendix 4-Full model for Linear functions
• Appendix 5-Testing of Multicollinearity
• Appendix 6-Testing of Homoscedasticity

Tóm tắt

I. Tổng Quan Về Mô Hình Đánh Giá Tín Dụng Doanh Nghiệp Nhỏ Tại Việt Nam

Mô hình đánh giá tín dụng doanh nghiệp nhỏ tại Việt Nam đang trở thành một chủ đề nóng trong lĩnh vực tài chính. Với sự phát triển mạnh mẽ của các doanh nghiệp nhỏ và vừa (SMEs), việc đánh giá tín dụng chính xác là rất quan trọng để đảm bảo sự phát triển bền vững. Mô hình này không chỉ giúp các ngân hàng quản lý rủi ro mà còn hỗ trợ doanh nghiệp trong việc tiếp cận nguồn vốn.

1.1. Định Nghĩa Mô Hình Đánh Giá Tín Dụng

Mô hình đánh giá tín dụng là công cụ giúp ngân hàng xác định khả năng trả nợ của doanh nghiệp. Nó dựa trên các chỉ số tài chính và phi tài chính để đưa ra quyết định cho vay.

1.2. Vai Trò Của Doanh Nghiệp Nhỏ Trong Nền Kinh Tế

Doanh nghiệp nhỏ đóng góp lớn vào GDP và tạo ra nhiều việc làm. Tuy nhiên, họ thường gặp khó khăn trong việc tiếp cận tín dụng do thiếu thông tin và mô hình đánh giá phù hợp.

II. Thách Thức Trong Đánh Giá Tín Dụng Doanh Nghiệp Nhỏ Tại Việt Nam

Mặc dù có nhiều mô hình đánh giá tín dụng, nhưng việc áp dụng cho doanh nghiệp nhỏ vẫn gặp nhiều thách thức. Các ngân hàng thường thiếu thông tin đầy đủ về doanh nghiệp, dẫn đến quyết định cho vay không chính xác.

2.1. Thiếu Thông Tin Về Doanh Nghiệp

Nhiều doanh nghiệp nhỏ không có báo cáo tài chính đầy đủ, khiến ngân hàng khó khăn trong việc đánh giá khả năng trả nợ.

2.2. Khó Khăn Trong Việc Phân Tích Dữ Liệu

Việc phân tích dữ liệu từ các doanh nghiệp nhỏ thường phức tạp do sự đa dạng trong mô hình kinh doanh và quy mô hoạt động.

III. Phương Pháp Đánh Giá Tín Dụng Doanh Nghiệp Nhỏ Hiện Nay

Các phương pháp đánh giá tín dụng hiện nay bao gồm phân tích định lượng và định tính. Sự kết hợp giữa hai phương pháp này giúp ngân hàng có cái nhìn toàn diện hơn về khả năng trả nợ của doanh nghiệp.

3.1. Phân Tích Định Lượng

Phân tích định lượng sử dụng các chỉ số tài chính như doanh thu, lợi nhuận và tỷ lệ nợ để đánh giá khả năng trả nợ của doanh nghiệp.

3.2. Phân Tích Định Tính

Phân tích định tính xem xét các yếu tố như quản lý, chiến lược kinh doanh và môi trường hoạt động của doanh nghiệp.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Đánh Giá Tín Dụng

Mô hình đánh giá tín dụng không chỉ giúp ngân hàng trong việc quản lý rủi ro mà còn hỗ trợ doanh nghiệp trong việc lập kế hoạch tài chính. Các ngân hàng có thể sử dụng mô hình này để phát triển các sản phẩm tín dụng phù hợp với nhu cầu của doanh nghiệp nhỏ.

4.1. Cải Thiện Quy Trình Cho Vay

Mô hình giúp ngân hàng rút ngắn thời gian xét duyệt hồ sơ vay vốn, từ đó tăng cường khả năng tiếp cận vốn cho doanh nghiệp nhỏ.

4.2. Tăng Cường Quản Lý Rủi Ro

Việc áp dụng mô hình đánh giá tín dụng giúp ngân hàng nhận diện và quản lý rủi ro hiệu quả hơn, từ đó bảo vệ lợi ích của mình.

V. Kết Luận Về Mô Hình Đánh Giá Tín Dụng Doanh Nghiệp Nhỏ Tại Việt Nam

Mô hình đánh giá tín dụng doanh nghiệp nhỏ tại Việt Nam cần được cải thiện để đáp ứng nhu cầu thực tế. Việc áp dụng các phương pháp hiện đại và công nghệ thông tin sẽ giúp nâng cao độ chính xác trong đánh giá tín dụng.

5.1. Tương Lai Của Mô Hình Đánh Giá Tín Dụng

Trong tương lai, các ngân hàng cần đầu tư vào công nghệ và dữ liệu để phát triển các mô hình đánh giá tín dụng chính xác hơn.

5.2. Đề Xuất Cho Các Nghiên Cứu Tiếp Theo

Cần có thêm nhiều nghiên cứu về các yếu tố ảnh hưởng đến khả năng trả nợ của doanh nghiệp nhỏ để hoàn thiện mô hình đánh giá tín dụng.

Nội dung chính

Tổng quan nghiên cứu

Dư nợ tín dụng luôn là tài sản sinh lời lớn nhất nhưng cũng tiềm ẩn rủi ro cao nhất của hệ thống ngân hàng thương mại, thường chiếm hơn 70% tổng tài sản trên bảng cân đối kế toán. Điển hình tại các ngân hàng thương mại nhà nước lớn như Ngân hàng Thương mại Cổ phần Công Thương Việt Nam (VietinBank), tỷ trọng cho vay từng đạt 82% tổng tài sản, tương đương 542.674 tỷ đồng dư nợ trên 661.242 tỷ đồng tổng tài sản. Tại Việt Nam, khối doanh nghiệp nhỏ và vừa (SME) chiếm gần 97% tổng số doanh nghiệp, đóng góp khoảng 40% GDP và tạo việc làm cho hơn 51% lực lượng lao động xã hội.

Mặc dù giữ vai trò xương sống của nền kinh tế, khả năng tiếp cận vốn của phân khúc này còn rất hạn chế. Báo cáo khảo sát của Viện Quản trị Doanh nghiệp nhỏ và vừa (SISME) chỉ ra rằng chỉ có khoảng 30% doanh nghiệp SME tiếp cận được nguồn vốn tín dụng ngân hàng, trong khi 70% còn lại phải tìm đến các kênh tài chính phi chính thức với lãi suất cao. Nguyên nhân cốt lõi bắt nguồn từ việc các tổ chức tín dụng thiếu công cụ định hạng tín dụng chuẩn hóa, chủ yếu dựa vào mô hình chuyên gia định tính của Ernst & Young ban hành năm 2009 với hơn 80 chỉ số cồng kềnh, thiếu tính phân loại chuyên biệt cho SME.

Luận văn tập trung giải quyết bài toán định lượng xác suất vỡ nợ (Probability of Default - PD), ước lượng phân loại nhóm nợ tương lai (ELG) và dự báo số ngày quá hạn thanh toán đối với khách hàng SME. Nghiên cứu thực hiện trên bộ dữ liệu gồm 2.342 hồ sơ vay vốn ngắn hạn thu thập vào tháng 6/2015 tại 2 ngân hàng thương mại có trên 25 năm hoạt động tại Việt Nam, nơi dư nợ SME chiếm khoảng 10% tổng danh mục. Kết quả nghiên cứu mang lại giá trị thực tiễn cao, hỗ trợ các ngân hàng xây dựng hệ thống phê duyệt tự động, tối ưu hóa chi phí trích lập dự phòng và đáp ứng chuẩn mực an toàn vốn Basel II.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết quản trị rủi ro tín dụng hiện đại và các nguyên tắc quản lý rủi ro của Ủy ban Giám sát Ngân hàng Basel (BCBS) theo chuẩn mực Basel II. Khung phân tích kế thừa mô hình chấm điểm tín dụng của Altman với các nhóm chỉ số tài chính then chốt về khả năng thanh toán, hiệu quả hoạt động, đòn bẩy tài chính và khả năng sinh lời, kết hợp với các tiêu chuẩn xếp hạng tín nhiệm của Moody's.

Khung khái niệm của đề tài tích hợp 5 thuật ngữ nền tảng:

• Xác suất vỡ nợ (PD): Tỷ lệ phản ánh khả năng khách hàng không hoàn thành nghĩa vụ trả nợ gốc và lãi theo cam kết hợp đồng.
• Phân loại nhóm nợ (F2): Phân chia khách hàng thành 5 nhóm nợ từ nhóm 1 (nợ đủ tiêu chuẩn) đến nhóm 5 (nợ có khả năng mất vốn) theo quy định của Ngân hàng Nhà nước.
• Số ngày quá hạn thanh toán (F2n): Biến liên tục đo lường mức độ trễ hạn thanh toán tương ứng với các ngưỡng phân loại nợ (10, 30, 60, 180 và 360 ngày).
• Khẩu vị rủi ro (Risk Appetite): Mức độ rủi ro tối đa mà tổ chức tín dụng sẵn sàng chấp nhận trong quá trình theo đuổi các mục tiêu kinh doanh.
• Điểm cắt (Cut-off point): Ngưỡng điểm số xác định ranh giới phê duyệt hoặc từ chối cấp tín dụng nhằm cân đối giữa tỷ lệ nợ xấu và quy mô tăng trưởng.

Phương pháp nghiên cứu

Nguồn dữ liệu ban đầu gồm toàn bộ 2.342 hồ sơ khách hàng doanh nghiệp SME đã có lịch sử quan hệ tín dụng tại 2 ngân hàng thương mại Việt Nam vào tháng 6/2015. Tác giả áp dụng kỹ thuật khoảng tứ phân vị (Interquartile Range) dựa trên độ lệch giữa phân vị thứ nhất và phân vị thứ ba để phát hiện và loại bỏ các quan sát ngoại lai đối với 18 biến định lượng chính. Sau khi làm sạch các bản ghi thiếu dữ liệu hoặc không mang giá trị phân biệt, mẫu nghiên cứu tinh gọn đạt 1.133 quan sát hoàn chỉnh.

Lý do lựa chọn phương pháp phân tích: Hồi quy tuyến tính cổ điển thường vi phạm giả định phân phối chuẩn đa biến khi áp dụng cho biến phụ thuộc nhị phân hoặc biến thứ bậc rời rạc. Do đó, nghiên cứu kết hợp 3 mô hình kinh tế lượng bổ trợ nhau:

• Mô hình hồi quy Logistic nhị phân (Binomial Logit): Sử dụng hàm liên kết logit để dự báo xác suất vỡ nợ của biến nhị phân Default01 (nhóm 1-2 là không vỡ nợ, nhóm 3-5 là vỡ nợ).
• Mô hình hồi quy Logistic thứ bậc (Ordered Logit - Ologit): Áp dụng cho biến phụ thuộc F2 gồm 5 nhóm nợ có thứ tự nhằm xác định khả năng chuyển nhóm nợ.
• Mô hình hồi quy tuyến tính (OLS): Ước lượng số ngày trễ hạn thanh toán F2n nhằm kiểm tra tính tương quan trực tiếp giữa các yếu tố đặc trưng và độ trễ dòng tiền.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mô hình thực nghiệm trên 1.133 doanh nghiệp SME mang lại các phát hiện cốt lõi:

Thứ nhất, tỷ lệ vỡ nợ thực tế trong mẫu quan sát là 9,18% (tương đương 104 khoản vay rơi vào nhóm nợ 3, 4 và 5), trong khi 90,82% còn lại (1.029 khoản vay) duy trì trạng thái không vỡ nợ thuộc nhóm 1 và 2.

Thứ hai, nghiên cứu sàng lọc thành công bộ 84 chỉ tiêu ban đầu xuống còn 41 biến số có ý nghĩa thống kê cao thuộc 12 nhóm yếu tố (gồm 16 biến định lượng và 25 biến định tính). Việc cắt giảm hơn 50% số lượng chỉ tiêu không làm suy giảm độ chính xác mà còn giúp loại bỏ hiện tượng đa cộng tuyến hoàn hảo.

Thứ ba, các biến định tính phản ánh năng lực thẩm định của cán bộ tín dụng có sức mạnh phân loại vượt trội. Điển hình ở chỉ tiêu năng lực trả nợ gốc trung và dài hạn, có tới 66% doanh nghiệp không vỡ nợ được xếp hạng ở mức cao nhất (khả năng chi trả trên 1,5 lần), trong khi chỉ có 1,07% doanh nghiệp ở mức xếp hạng thấp nhất (khả năng chi trả dưới 0,5 lần) giữ được trạng thái an toàn.

Thứ tư, các biến số tài chính cơ bản phản ánh rõ nét quy mô SME Việt Nam với giá trị vốn chủ sở hữu trung bình đạt 6,32 tỷ đồng, tổng tài sản bình quân 17,2 tỷ đồng, quy mô lao động bình quân 49,38 người và số ngày chậm trả nợ bình quân là 34,89 ngày.

Thảo luận kết quả

Dữ liệu kết quả thực nghiệm có thể được trình bày trực quan thông qua biểu đồ phân phối xác suất vỡ nợ và ma trận nhầm lẫn (Confusion Matrix) tại ngưỡng điểm cắt 10%. Biểu đồ đường cong ROC và phân phối hồi quy cho thấy mô hình Logit nhị phân đạt tỷ lệ phân loại chính xác rất cao giữa khách hàng tốt và khách hàng xấu.

So sánh với các công trình quốc tế của Desai và cộng sự năm 1996 cùng Abdou và Pointon năm 2011, nghiên cứu tái khẳng định rằng các mô hình tham số cổ điển như Logistic Regression vẫn đạt hiệu quả tương đương hoặc vượt trội so với mạng nơ-ron phức tạp trong việc chấm điểm tín dụng ngân hàng, đặc biệt là tính minh bạch và khả năng giải thích từng hệ số tác động.

Nguyên nhân tạo nên tính chính xác của mô hình là sự kết hợp hài hòa giữa nhóm chỉ tiêu tài chính (vòng quay vốn lưu động, tỷ suất sinh lời trên tài sản, hệ số thanh toán nhanh) và nhóm chỉ tiêu phi tài chính (kinh nghiệm của ban điều hành, mức độ phụ thuộc nhà cung cấp, lịch sử quan hệ tài khoản tiền gửi tại ngân hàng). Khi dòng tiền luân chuyển qua ngân hàng tăng lên, xác suất trễ hạn thanh toán của doanh nghiệp giảm đi rõ rệt.

Đề xuất và khuyến nghị

1. Tái cấu trúc và tinh gọn hệ thống khởi tạo khoản vay (LOS): Khối Công nghệ thông tin và Khối Quản trị rủi ro tại các ngân hàng thương mại cần tích hợp bộ 41 chỉ tiêu đã tinh giản vào phần mềm LOS trong vòng 6 tháng tới. Việc này giúp giảm hơn 50% thời gian thu thập hồ sơ, tiết kiệm chi phí vận hành và tăng tốc độ xử lý phê duyệt khoản vay tự động.

2. Thiết lập cơ chế định giá lãi suất theo mức độ rủi ro (Risk-based Pricing): Hội đồng Quản trị rủi ro các ngân hàng cần xây dựng khung điểm cắt (cut-off points) linh hoạt ở mức 5% đến 10% để phân tầng khách hàng. Dựa vào xác suất vỡ nợ dự báo, ngân hàng áp dụng mức lãi suất và hạn mức vay tương ứng với từng mức độ rủi ro trong lộ trình 12 tháng.

3. Áp dụng mô hình dự phóng chuyển nhóm nợ để trích lập dự phòng chủ động: Phòng Quản lý rủi ro và Phòng Kế toán tài chính cần ứng dụng mô hình Ordered Logit để ước tính xác suất nhảy nhóm nợ của từng khoản vay. Giải pháp này giúp tối ưu hóa chi phí trích lập dự phòng cụ thể, tránh việc trích lập thừa hoặc thiếu làm biến động lợi nhuận trước thuế hàng quý khoảng 15% đến 20%.

4. Nâng cấp hệ thống cơ sở dữ liệu và liên kết chia sẻ thông tin tín dụng quốc gia: Ngân hàng Nhà nước cùng Trung tâm Thông tin Tín dụng Quốc gia (CIC) cần mở rộng kho dữ liệu hành vi của 97% doanh nghiệp SME trên cả nước trong giai đoạn 1 đến 2 năm tới. Việc chuẩn hóa dữ liệu tài chính và thuế giúp các ngân hàng giảm thiểu bất đối xứng thông tin, mở rộng hạn mức tín dụng an toàn cho các doanh nghiệp vừa và nhỏ.

Đối tượng nên tham khảo luận văn

• Khối Quản trị rủi ro và Phê duyệt tín dụng tại các Ngân hàng Thương mại: Vận dụng trực tiếp khung 41 chỉ tiêu đánh giá và công thức hồi quy Logit để nâng cấp mô hình xếp hạng nội bộ (IRB) tiệm cận tiêu chuẩn Basel II, thay thế phương pháp chuyên gia thuần túy.
• Chuyên viên Thẩm định và Cán bộ Quản lý khách hàng doanh nghiệp: Sử dụng ma trận trọng số các biến phi tài chính làm cẩm nang nhận diện sớm dấu hiệu suy giảm khả năng trả nợ của doanh nghiệp SME trong quá trình thẩm định thực địa.
• Học viên cao học và Nhà nghiên cứu kinh tế - tài chính: Kế thừa phương pháp kết hợp ba mô hình Binomial Logit, Ordered Logit và OLS, cùng quy trình xử lý dữ liệu ngoại lai bằng khoảng tứ phân vị trên tập mẫu thực tế gồm 1.133 hồ sơ.
• Cơ quan hoạch định chính sách và Quỹ Bảo lãnh tín dụng SME: Tham khảo căn cứ thực chứng về 70% doanh nghiệp khó tiếp cận vốn ngân hàng để ban hành các gói hỗ trợ lãi suất, tiêu chuẩn minh bạch báo cáo tài chính và cơ chế bảo lãnh phù hợp.

Câu hỏi thường gặp

• Mô hình hồi quy Logistic có ưu điểm gì vượt trội so với phương pháp chuyên gia truyền thống? Mô hình Logistic lượng hóa chính xác xác suất vỡ nợ dựa trên dữ liệu lịch sử thực tế của 1.133 quan sát, loại bỏ tính chủ quan và định kiến của cán bộ thẩm định, đồng thời cho phép ngân hàng thiết lập quy trình chấm điểm tín dụng tự động và nhất quán.

• Tại sao nghiên cứu rút gọn từ 84 chỉ tiêu xuống còn 41 chỉ tiêu đánh giá? Bộ 84 chỉ tiêu cũ chứa nhiều biến trùng lặp, thiếu dữ liệu và gây đa cộng tuyến. Việc tinh giản xuống 41 biến (16 biến định lượng, 25 biến định tính) giúp giảm chi phí thu thập thông tin nhưng vẫn giữ nguyên năng lực phân loại 5 nhóm nợ chính xác.

• Điểm cắt (Cut-off point) có vai trò như thế nào trong quản trị danh mục cho vay? Điểm cắt là công cụ phản ánh khẩu vị rủi ro của ban điều hành ngân hàng. Việc điều chỉnh ngưỡng điểm cắt, ví dụ tại mức 10%, quyết định tỷ lệ chấp thuận khoản vay, qua đó cân bằng giữa mục tiêu mở rộng dư nợ và kiểm soát tỷ lệ nợ xấu dưới 3%.

• Biến số ngày trễ hạn thanh toán (F2n) mang lại giá trị thực tiễn gì cho ngân hàng? Biến F2n ước lượng cụ thể số ngày quá hạn (bình quân 34,89 ngày trong nghiên cứu) thay vì chỉ xác định có vỡ nợ hay không, giúp bộ phận xử lý nợ lập kế hoạch nhắc nợ sớm từ ngày thứ 8 đến ngày thứ 30 trước khi nợ chuyển nhóm xấu.

• Doanh nghiệp SME cần cải thiện những chỉ tiêu nào để nâng cao điểm xếp hạng tín dụng? Doanh nghiệp cần duy trì khả năng thanh toán nợ gốc trên 1,5 lần, gia tăng tỷ trọng giao dịch doanh thu qua tài khoản ngân hàng, minh bạch hóa hệ thống sổ sách kế toán và đảm bảo không phát sinh nợ cơ cấu lại trong 12 tháng gần nhất.

Kết luận

• Luận văn chuẩn hóa thành công bộ công cụ định hạng tín dụng tinh gọn gồm 41 chỉ tiêu trọng yếu cho phân khúc khách hàng doanh nghiệp SME tại Việt Nam.
• Kiểm định thực nghiệm trên 1.133 quan sát chứng minh mô hình Logit nhị phân và Logit thứ bậc có năng lực phân loại vượt trội với tỷ lệ vỡ nợ thực tế 9,18%.
• Nghiên cứu làm rõ vai trò quyết định của các biến phi tài chính và đánh giá định tính của cán bộ tín dụng đối với khả năng trả nợ của doanh nghiệp.
• Mô hình cung cấp giải pháp dự báo số ngày quá hạn thanh toán bình quân 34,89 ngày, hỗ trợ đắc lực cho công tác quản trị dòng tiền và trích lập dự phòng.
• Đóng góp khung phương pháp luận hoàn chỉnh giúp các ngân hàng thương mại Việt Nam hiện thực hóa lộ trình áp dụng hiệp ước an toàn vốn Basel II.

Đóng góp lớn nhất của nghiên cứu là xây dựng cầu nối vững chắc giữa lý thuyết kinh tế lượng ứng dụng và thực tiễn quản trị rủi ro ngân hàng tại một quốc gia đang phát triển. Trong giai đoạn tiếp theo, các tổ chức tín dụng cần định kỳ kiểm định ngược (back-test) mô hình 6 tháng một lần và mở rộng thu thập dữ liệu trên nhiều phân khúc ngành nghề để duy trì tính chuẩn xác của hệ thống xếp hạng tín dụng.

Trích đoạn nội dung tài liệu

UNIVERSITY OF ECONOMICS INSTITUTE OF SOCIAL STUDIES HO CHI MINH CITY THE HAGUE VIETNAM THE NETHERLANDS VIETNAM – THE NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS SMEs CREDIT RATING MODEL IN VIETNAM: PROBABILITY OF DEFAULT ASSESSMENT By NGUYEN VIET DUC MASTER OF ARTS IN DEVELOPMENT ECONOMICS Ho Chi Minh City, December, 2016 LUAN VAN CHAT LUONG download : add [e-mail] VIETNAM – THE NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS SMEs CREDIT RATING MODEL IN VIETNAM: PROBABILITY OF DEFAULT ASSESSMENT by Nguyen Viet Duc A Thesis Submitted in Partial Fulfilment of the Requirements for the Degree of Master of Art in Development Economics Academic Supervisor: Dr. Nguyen Thi Thuy Linh Class 21 Ho Chi Minh City, December, 2016 LUAN VAN CHAT LUONG download : add [e-mail] CERTIFICATION “I certify the content of this dissertation has not already been submitted for any degree and is not being currently submitted for any other degrees. I certify that, to be the best of my knowledge, any help received in preparing this dissertation and all source used, have been acknowledged in this dissertation.” Signature NGUYEN VIET DUC Date: December 2016 LUAN VAN CHAT LUONG download : add [e-mail] ACKNOWLEDGEMENT I would like to extend my grateful thanks to all people who always encouraged me, supported me, and helped me, by their very own ways to the completion of this thesis. First and foremost, in special to my parents, my Chip (NGUYEN Duc Ha Anh), who inspired me to participate this MDE class, firmly supported me, always love me while supported me during hard studying time.

To my supervisor, Ms. NGUYEN Thi Thuy Linh and Mr. TRUONG Dang Thuy, who were always willing to, patiently, comprehensively guide me to build up my ideas and structure them in an academic added value paper. Last but not the least, I want to extend my thanks to my friends, to all the Risk Management Division members and colleagues from An Binh bank that in some way contributed to my study experiences and made my days happier and more pleasant.

LUAN VAN CHAT LUONG download : add [e-mail] TABLES AND FIGURES TABLE 1-SAMPLE OF CREDIT RISK ASSESSMENT RANKING BY MOODY IN US 2015 16 TABLE 2 – VARIABLES 21 TABLE 3 – A SAMPLE OF VARIABLE SELECTION BY ALTMAN 28 TABLE 4-VARIABLES USED BY ALTMAN2 29 TABLE 5- VARIABLES USED BY MOODY 29 TABLE 6 – DROPPED VARIABLES DUE TO UNFULL FILLED OR MEANINGLESS 30 TABLE 7-APPROPRIATED INDICATORS WITH VALUE TYPE AND TRANSFORMATION 33 TABLE 8 – INDEPENDENT VARIABLES EXPECTED SIGNS IN THE RELATIONSHIP 37 TABLE 9-DEPENDENT VARIABLES DESCRIPTIVE STATISTIC 39 TABLE 10-INDEPENDENT VARIABLES DESCRIPTIVE STATISTIC 40 TABLE 11-DEFAULT STATISTIC FREQUENCY 43 TABLE 12-EXPLANATION OF INDEPENDENT, STATISTICAL SAMPLE 44 TABLE 13-SUMMARY OF FULL MODEL FOR BINOMINAL DEFAULT01 LOGISTIC FUNCTIONS 45 TABLE 14-FINAL MODEL FOR BINOMINAL DEFAULT01 LOGISTIC FUNCTIONS 46 TABLE 15-EXAMPLE OF CHECKING THE POWER OF QUALITATIVE VARIABLES’ CLASSIFYING 49 TABLE 16-EXAMPLE OF QUALITATIVE MARGINAL EFFECTS ON CREDIT RATING 51 TABLE 17-EXAMPLE OF AN AUTOMATIC DEFAULT PREDICTING TOOL 52 TABLE 18-LOAN GROUP DISTRIBUTION FREQUENCY 53 TABLE 19-SUMMARY OF FULL MODEL FOR OLOGIT LOAN GROUP LOGISTIC FUNCTIONS 54 TABLE 20-FINAL MODEL FOR OLOGIT LOAN GROUP LOGISTIC FUNCTIONS 55 TABLE 21-MARGIN TESTING 60 TABLE 22-PREDICTING LOAN GROUP SAMPLE 60 TABLE 23-CLIENT’ PROBABILITY OF FUTURE LOAN GROUP 61 TABLE 24-NUMBER OF DAY IN LATE PAYMENT DISTRIBUTION FREQUENCY 62 TABLE 25-SUMMARY OF FULL MODEL FOR LINEAR DAY OF LATE 63 TABLE 26-FINAL MODEL FOR OLOGIT LOAN GROUP LOGISTIC FUNCTIONS 64 TABLE 27-CLIENT WITH EXPECTED NUMBER OF LATE DAYS IN PAYMENT 68 TABLE 28- CORRELATION OF DUMMY VARIABLES. 70 TABLE 29- TEST FOR MULTICOLLINEARITY. 71 TABLE 30- TEST FOR HOMOSCEDASTICITY 72 TABLE 31-COMPARE MODEL 1.3-4 (BOTH IN PREDICTING DEFAULT RISK), BETWEEN RISK LOVER, RISK NEUTRAL AND RISK ADVERSE 72 FIGURE 1 – LOAN’S SIZE 6 FIGURE 2 - CREDIT RISK MANAGEMENT TECHNIQUES IN BANKING MANAGEMENT 10 FIGURE 3- SAMPLE OF A LOAN’S LIFE 14 FIGURE 4 – CONCEPTUAL FRAMEWORK 20 FIGURE 5: DEPENDENT VARIABLES DISTRIBUTION 28 FIGURE 6: DISTRIBUTION COMPARING (AT 10% CUT VALUE) 74 FIGURE 7: OLOGIT BACK TEST 75 FIGURE 8: LINEAR BACK TEST 75 LUAN VAN CHAT LUONG download : add [e-mail] ABSTRACT The largest part in Asset of any bank in its balance sheet is loans, which accounted over 70% of total bank’s asset. Therefore loan becomes the biggest factor affecting bank’s profit/loss (PnL) and managing loan becomes the main point in banking management.

For the reason that credit portfolio plays important role in bank’s PnL, it is required that banks need to issue and implement policies and techniques to manage risk in every stage of granting loans process. Figure 1 – Loan’s Size Audited Public Data End of 2014 End of 2015 Bank Loans Total Loans Total assets (bill % assets (bill (bill % (bill dong) dong) dong) dong) Vietinbank 661,242 542,674 82. It seems to be not an efficient way for banks to do so. Together with the growth of banking industry, many statistical methods for credit rating were developed and introduced as an important tool in finance and banking area.

Credit models are become an effective way to evaluate the credit risk of clients. Many applications of the statistical techniques with more precisions and powers in predicting credit risk create benefits for financial institutions by helping them establish an appropriated strategy for risk mitigation. This thesis presents the approach and results of an attempt at using logistic regression to develop a probability of default (PD) predicting model, a linear regression which is also supported by literatures of relevant factors by an ologit model for predicting the future loan group of any applicant. Both logistic and linear regression are applied to find out the fit models for commercial banks.

By choosing suitable models and deeply data analysis from Vietnamese commercial banks, the paper address almost big concerns in credit risk LUAN VAN CHAT LUONG download : add [e-mail] management and client credit worthiness assessment: determine suitable models for Vietnamese SMEs market for both predicting probability of default (PD), number of late payment days (ELG); specify factors that could cause a loan’s potential downgrade (PDL), important information that contributes in creditworthiness of an individual SMEs, the role of cut-off points in implementing banks’ risk appetite and suitable data treatment approaches. Key words: credit rating, logistic regression, binominal, multinomial, linear regression, prediction, risk assessment. LUAN VAN CHAT LUONG download : add [e-mail] NGUYEN Viet Duc-MDE21 TABLE OF CONTENTS CHAPTER 1 - INTRODUCTION. Research objectives and research questions.

Scope of the study. Contributions and Implications. Organization of the thesis. 11 CHAPTER 2 – LITTERATURE REVIEW.

Concepts of credit rating. Worldwide approaches for credit rating. Empirical studies on credit rating. 17 CHAPTER 3 – RESEARCH METHODOLOGY.

Analytical framework and hypotheses. Binominal logistic regression. Multinomial logistic regressions. Linear regression quick reviews.

Data sources and data treatment. The Data Set. Independent variables selecion .2-Independent variables transformation. 33 CHAPTER 4 – EMPERICAL RESULTS.

The first model with Dependent variable is Default01. The author’s observation after run a “full model”:. Final binominal regression models. Interesting results for Model 1.1-Qualitative marginal effects .2-Initiative for automatic tool.

52 VIETNAM – NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS Page 1 of 102 LUAN VAN CHAT LUONG download : add [e-mail] NGUYEN Viet Duc-MDE21 4. The second model with Dependent variable is F2-loan group. The author’s observation after run a “full model”:. Final ologit regression models.

Some more interesting results. The third model with Dependent variable is F2n-day of late payment. The author’s observation after run a “full model”:. Final linear regression models.

Some more interesting results. Test for any other limitation. Checking for Multicollinearity. Checking for Homoscedasticity.

Comparing results of some models. Logit functions back test. Ologit functions back test. Linear functions back test.

75 CHAPTER 5 – CONCLUSION AND IMPLICATIONS. Limitations of the study. Suggestion for further studies. 84 Appendix 1-Variable Descriptive Statistic.

87 Appendix 2-Full model for Logit functions. 90 Appendix 3-Full model for Ologit functions. 94 Appendix 4-Full model for Linear functions. 96 Appendix 5-Testing of Multicollinearity.

98 Appendix 6-Testing of Homoscedasticity. 101 VIETNAM – NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS Page 2 of 102 LUAN VAN CHAT LUONG download : add [e-mail] NGUYEN Viet Duc-MDE21 CHAPTER 1 - INTRODUCTION 1. Problem statement Credit is a large industry in the worldwide economy and plays an important role in the growth of firms and countries. In one hand, many enterprises have utilized credit lines to make profit or spur their sales.

In another hand, credit injects capital to the economy, allow production and expansion to bring development to firms in particular and country in general. Bank credit can be categorized into four primary types which are loans, discounts, finance leasing and warranties. The granting of credit plays a crucial role in the economic development because the fact that not every businesses have enough money or use all their money to finance their projects. However, credit institutions do not grant credits on its own to all applicants but it should come through a procedure in which they decide whether or not to provide credit to a particular applicant.

The reason for that is they need to avoid the risk of accepting bad loan (high probability of default) or rejecting good loans (profitable loans). Therefore credit risk management holds an important role in banking industry. The banks manage credit risk exposure through a credit risk policies system in which evaluate the credit risk of applicant, so to minimize the default risk together with maximize profit. The process of identify credit risk includes collecting previous borrowers’ information, classifying, analyzing multi elements and variables to assess the ability of clients’ repayment.

The increasing demand of credit and industrial intense competition force banks to implement new schemes to refined statistical methods to facilitate the procedure of making decisions that is also the standard required by Basel Committee on Banking Supervision (BCBS) through their sophisticated documents and papers leading the banking global to a new credit rating/grading generation. The credit models make process systematically and also shorten time spent in the loan granting process, thus reduce the cost of banks in approving, minimizing objectiveness and inaccurate decisions by using statistical techniques and VIETNAM – NETHERLANDS PROGRAMME FOR M.A IN DEVELOPMENT ECONOMICS Page 3 of 102 LUAN VAN CHAT LUONG download : add [e-mail] NGUYEN Viet Duc-MDE21 predicting the performance of customers as well as help banks in measuring the risks and profits. Using models, the banks can manage the pre-issuing, approving procedure and situation after granting loan of the borrowers and easily improve the credit risk management from individual perspective to an entire portfolio one as well. Information technologies help banks in compiling huge mass of data - details of bank customers at various stages of their loan life cycles.

All the records tracked for customers and/or accounts, with their own “characteristics” at points in time. In credit rating and default predicting, these records are important for final outcomes. Did the customers pay or not? Did they pay on time or nor? What could be their problems and whether their problems relate to their ability of paying back? If we assume that future will follow the trend that created in the past, then customer’s historical data can be used to predict an estimated future. We need to keep in mind that, these are only heuristic models (as opposed to deterministic), that can only provide guesses, not absolute answers (and if all things are correctly predictable, life is so boring).

For many countries over the world, Small and Medium-sized Enterprises (SMEs) are considered as backbone of the economy. In OECD members, the number of SMEs is accounted for over 97% of all the enterprises.