Hệ Thống Xếp Hạng Tín Dụng Nội Bộ và Mô Hình Xác Suất Vỡ Nợ Tại Ngân Hàng TMCP Ngoại Thương Việt Nam

Luận văn phân tích hệ thống xếp hạng tín dụng nội bộ và mô hình xác suất vỡ nợ tại ngân hàng thương mại cổ phần ngoại thương Việt Nam.

• Tác giả: Trần Thanh Nhã
• Người hướng dẫn: PGS.TS Hồ Viết Tiến
• Trường học: Trường Đại Học Kinh Tế TP. Hồ Chí Minh
• Chuyên ngành: Tài Chính - Ngân Hàng
• Đề tài: Mô Hình Xác Suất Vỡ Nợ và Hệ Thống Xếp Hạng Tín Dụng Tại Ngân Hàng TMCP Ngoại Thương Việt Nam
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Sự cần thiết của vấn đề nghiên cứu
• 1.2. Xác định vấn đề nghiên cứu
• 1.3. Mục tiêu nghiên cứu
• 1.4. Phương pháp nghiên cứu định tính
• 1.5. Ý nghĩa của đề tài nghiên cứu
• 1.6. Kết cấu bài nghiên cứu
• 2. CHƯƠNG 2: XÁC ĐỊNH VẤN ĐỀ NGHIÊN CỨU
• 2.1. Giới thiệu về VCB
• 2.2. Giới thiệu sơ lược về VCB. Khái quát tình hình hoạt động kinh doanh của VCB
• 2.3. Thành tựu của VCB về hoạt động QTRRTD trong những năm gần đây
• 2.4. Biểu hiện của vấn đề
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Các phương pháp đo lường RRTD. Mô hình của các tổ chức xếp hạng Moodys, S&P & Fitch
• 3.2. Mô hình lượng hóa RRTD
• 3.3. Hệ thống XHTD nội bộ
• 3.4. Mô hình xác suất vỡ nợ
• 3.5. Ưu nhược điểm của các phương pháp đo lường RRTD
• 3.6. Quy định về Hiệp ước vốn Basel II về quản trị RRTD
• 3.7. Phương pháp tiêu chuẩn
• 3.8. Phương pháp dựa trên đánh giá nội bộ (IRB)
• 3.9. Phương pháp dựa trên đánh giá nội bộ nâng cao (AIRB)
• 3.10. Tiêu chuẩn Basel II về XHTD
• 3.11. Tổng quan các công trình nghiên cứu trước đây
• 3.11.1. Một số nghiên cứu nước ngoài
• 3.11.2. Nghiên cứu trong nước về hệ thống XHTDNB và mô hình xác suất vỡ nợ
• 3.12. Khoảng trống nghiên cứu
• 3.13. Phương pháp nghiên cứu
• 3.13.1. Phương pháp phân tích định tính
• 3.13.2. Phương pháp khảo sát phỏng vấn
• 3.13.3. Các phương pháp khác
• 4. CHƯƠNG 4: PHÂN TÍCH THỰC TRẠNG VỀ HỆ THỐNG XẾP HẠNG TÍN DỤNG NỘI BỘ THEO MÔ HÌNH XÁC SUẤT VỠ NỢ TẠI NGÂN HÀNG TMCP NGOẠI THƯƠNG VIỆT NAM
• 4.1. Các quy định về XHTD của VCB
• 4.2. Quy trình XHTD KHDN tại VCB
• 4.3. Xác định bộ chỉ tiêu của đối tượng chấm điểm
• 4.4. Đánh giá các chỉ tiêu tài chính
• 4.5. Đánh giá các chỉ tiêu phi tài chính
• 4.6. Thực hiện đánh giá các yếu tố điều chỉnh
• 4.7. Tổng hợp điểm và xếp loại
• 4.8. Hệ thống XHTD của VCB
• 4.9. Cấu trúc chung của hệ thống chấm điểm XHTD
• 4.10. Sơ lược về Hệ thống XHTDNB (Credit Rating – CR). Mô hình xác suất vỡ nợ (Probability of default – PD)
• 4.11. So sánh kết quả chấm điểm phân loại nợ giữa hai mô hình CR – PD
• 4.12. Phân tích về sự khác biệt giữa hai mô hình CR – PD
• 4.13. Ảnh hưởng của kết quả mô hình XHTD đến hoạt động kinh doanh của VCB
• 4.14. Tổng hợp ý kiến phản hồi về thực tiễn áp dụng mô hình XHTD tại VCB
• 4.14.1. Ý kiến phản hồi của các cán bộ thẩm định tại Chi nhánh
• 4.14.2. Nhận định của Chuyên gia Phê duyệt tín dụng Trụ sở chính
• 4.14.3. Phỏng vấn các Chuyên viên cấp cao trong Nhóm định lượng – Quant Team tại Trụ sở chính
• 4.15. Tiến trình áp dụng MH XHTD của VCB đáp ứng chuẩn mực Basel II
• 4.15.1. VCB đáp ứng chuẩn mực Basel II theo phương pháp tiêu chuẩn
• 4.15.2. VCB đáp ứng chuẩn mực Basel II theo phương pháp dựa trên đánh giá nội bộ cơ bản – FIRB
• 4.16. Đề xuất áp dụng hệ thống XHTDNB theo mô hình PD
• 4.17. Kiến nghị cho việc nâng cao hiệu quả của mô hình XHTD theo PD tại VCB
• 4.17.1. Giải pháp nâng cao hiệu quả mô hình PD
• 4.17.2. Đề xuất phương án phân loại nợ và trích lập DPRR theo PD
• 4.17.3. Đề xuất giải pháp đưa vào mô hình PD cấu phần điều kiện thương mại
• 4.18. Hạn chế của đề tài và hướng nghiên cứu tiếp theo
• DANH MỤC TÀI LIỆU THAM KHẢO
• PHỤ LỤC
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH VẼ, BIỂU ĐỒ
• DANH MỤC CÁC TỪ VIẾT TẮT SỬ DỤNG
• TÓM TẮT
• ABSTRACT

Tóm tắt

I. Tổng Quan Mô Hình Xác Suất Vỡ Nợ tại Vietcombank 2024

Trong bối cảnh ngành ngân hàng Việt Nam ngày càng hội nhập sâu rộng với quốc tế, việc áp dụng các chuẩn mực quản trị rủi ro hiện đại như Basel II trở nên cấp thiết. Vietcombank, một trong những ngân hàng thương mại cổ phần hàng đầu, đã chủ động xây dựng và hoàn thiện mô hình xác suất vỡ nợ nhằm nâng cao hiệu quả quản trị rủi ro tín dụng. Mô hình này không chỉ giúp Vietcombank đánh giá chính xác hơn khả năng trả nợ của khách hàng mà còn là cơ sở quan trọng để đưa ra các quyết định tín dụng hợp lý, góp phần vào sự phát triển bền vững của ngân hàng. Việc nghiên cứu và ứng dụng mô hình xác suất vỡ nợ trong ngân hàng đóng vai trò then chốt, tác động trực tiếp đến lợi nhuận, sự an toàn tài chính và uy tín của Vietcombank.

1.1. Sự Cần Thiết của Mô Hình PD trong Quản Trị Rủi Ro Tín Dụng

Quản trị rủi ro tín dụng là một trong những hoạt động quan trọng nhất của ngân hàng, đặc biệt trong bối cảnh kinh tế có nhiều biến động. Mô hình xác suất vỡ nợ (PD model) đóng vai trò then chốt trong việc đánh giá và quản lý rủi ro này. Theo nghiên cứu của Trần Thanh Nhã (2019), các ngân hàng sử dụng mô hình PD để chấm điểm và phân loại khách hàng, từ đó đưa ra các quyết định cho vay phù hợp và giảm thiểu tổn thất có thể xảy ra. Mô hình PD giúp ngân hàng ước tính khả năng khách hàng không trả được nợ, từ đó có các biện pháp phòng ngừa và giảm thiểu rủi ro.

1.2. Mục Tiêu và Phạm Vi Nghiên Cứu về Mô Hình PD tại Vietcombank

Nghiên cứu về mô hình xác suất vỡ nợ Vietcombank tập trung vào phân tích thực trạng áp dụng, đánh giá hiệu quả và đề xuất các giải pháp hoàn thiện. Phạm vi nghiên cứu bao gồm quy trình chấm điểm tín dụng, các yếu tố ảnh hưởng đến xác suất vỡ nợ và tác động của mô hình PD đến hoạt động kinh doanh của Vietcombank. Mục tiêu chính là nâng cao năng lực quản trị rủi ro tín dụng, tuân thủ các chuẩn mực quốc tế và góp phần vào sự phát triển bền vững của ngân hàng. Nghiên cứu này sử dụng dữ liệu từ năm 2012 đến 2018 và các khảo sát năm 2019 để đưa ra các kết luận khách quan.

II. Thách Thức Xây Dựng Hệ Thống Xếp Hạng Tín Dụng Vietcombank

Việc xây dựng và triển khai một hệ thống xếp hạng tín dụng hiệu quả là một thách thức lớn đối với Vietcombank. Ngân hàng phải đối mặt với nhiều khó khăn trong việc thu thập, xử lý dữ liệu, xây dựng mô hình định lượng chính xác và đảm bảo tính khách quan, minh bạch của hệ thống. Bên cạnh đó, sự thay đổi liên tục của môi trường kinh tế và quy định pháp luật cũng đòi hỏi Vietcombank phải liên tục cập nhật, điều chỉnh hệ thống xếp hạng tín dụng để đảm bảo tính hiệu quả và phù hợp. Những yếu tố bên ngoài như vỡ nợ doanh nghiệp Việt Nam cũng tác động đến hệ thống.

2.1. Khó Khăn trong Thu Thập và Xử Lý Dữ Liệu cho Xếp Hạng Tín Dụng

Để xây dựng một mô hình xác suất vỡ nợ đáng tin cậy, Vietcombank cần thu thập và xử lý một lượng lớn dữ liệu về khách hàng, bao gồm thông tin tài chính, phi tài chính và lịch sử tín dụng. Việc thu thập dữ liệu đầy đủ và chính xác là một thách thức lớn, đặc biệt đối với các doanh nghiệp nhỏ và vừa. Ngoài ra, Vietcombank cũng cần đầu tư vào các hệ thống công nghệ thông tin hiện đại để xử lý và phân tích dữ liệu một cách hiệu quả.

2.2. Đảm Bảo Tính Khách Quan và Minh Bạch của Hệ Thống Xếp Hạng

Tính khách quan và minh bạch là yếu tố then chốt để đảm bảo tính công bằng và hiệu quả của hệ thống xếp hạng tín dụng. Vietcombank cần xây dựng các quy trình và chính sách rõ ràng để tránh xung đột lợi ích và đảm bảo rằng các quyết định xếp hạng được đưa ra dựa trên các tiêu chí khách quan, không bị ảnh hưởng bởi các yếu tố chủ quan. Để làm được điều này, Vietcombank cần có những chuẩn mực xếp hạng tín dụng rõ ràng.

2.3. Ứng Phó với Thay Đổi của Môi Trường Kinh Tế và Quy Định

Môi trường kinh tế và quy định pháp luật liên tục thay đổi, đòi hỏi Vietcombank phải liên tục cập nhật và điều chỉnh hệ thống xếp hạng tín dụng để đảm bảo tính phù hợp và hiệu quả. Ngân hàng cần có khả năng dự báo và ứng phó với các thay đổi này một cách nhanh chóng và linh hoạt. Ví dụ, việc áp dụng Basel II Vietcombank đòi hỏi những thay đổi nhất định.

III. Phương Pháp Xây Dựng Mô Hình Xác Suất Vỡ Nợ Vietcombank

Để xây dựng mô hình xác suất vỡ nợ, Vietcombank sử dụng kết hợp nhiều phương pháp khác nhau, bao gồm phương pháp thống kê, phương pháp chuyên gia và phương pháp học máy. Ngân hàng cũng áp dụng các kỹ thuật phân tích dữ liệu tiên tiến để xác định các yếu tố ảnh hưởng đến xác suất vỡ nợ và xây dựng mô hình dự báo chính xác. Các mô hình định giá tín dụng Vietcombank khác nhau được nghiên cứu và lựa chọn.

3.1. Ứng Dụng Mô Hình Logit và Probit trong Dự Báo Vỡ Nợ

Mô hình Logit Vietcombank và Mô hình Probit Vietcombank là hai trong số các mô hình thống kê phổ biến được sử dụng để dự báo xác suất vỡ nợ. Các mô hình này sử dụng dữ liệu lịch sử để ước tính mối quan hệ giữa các yếu tố đầu vào (ví dụ: chỉ số tài chính, thông tin phi tài chính) và khả năng vỡ nợ của khách hàng. Kết quả của mô hình được sử dụng để xếp hạng tín dụng và đưa ra các quyết định tín dụng. Việc so sánh các mô hình xác suất vỡ nợ khác nhau là quan trọng.

3.2. Sử Dụng Phân Tích Dữ Liệu để Xác Định Yếu Tố Ảnh Hưởng

Phân tích dữ liệu đóng vai trò quan trọng trong việc xác định các yếu tố ảnh hưởng đến xác suất vỡ nợ. Vietcombank sử dụng các kỹ thuật phân tích dữ liệu tiên tiến để khám phá các mối quan hệ tiềm ẩn giữa các biến và xác định các yếu tố quan trọng nhất để đưa vào mô hình dự báo. Việc xác định chính xác các yếu tố ảnh hưởng giúp nâng cao độ chính xác và tin cậy của mô hình.

3.3. Áp Dụng Học Máy trong Xây Dựng Mô Hình PD

Mô hình học máy trong dự báo vỡ nợ ngày càng được sử dụng rộng rãi trong ngành ngân hàng. Các thuật toán học máy có khả năng học hỏi từ dữ liệu và xây dựng mô hình dự báo phức tạp một cách tự động. Vietcombank có thể áp dụng các thuật toán học máy như mạng nơ-ron, cây quyết định hoặc máy học hỗ trợ (SVM) để xây dựng mô hình PD với độ chính xác cao.

IV. Thực Trạng Hệ Thống Xếp Hạng Tín Dụng Nội Bộ Vietcombank 2024

Hiện nay, Vietcombank đã xây dựng và triển khai hệ thống xếp hạng tín dụng nội bộ dựa trên mô hình xác suất vỡ nợ. Hệ thống này được sử dụng để đánh giá tín dụng của khách hàng doanh nghiệp và đưa ra các quyết định tín dụng. Tuy nhiên, quá trình triển khai và áp dụng hệ thống vẫn còn một số hạn chế cần khắc phục. Cần phân tích tín dụng Vietcombank chi tiết để hiểu rõ hơn.

4.1. Quy Trình Xếp Hạng Tín Dụng Doanh Nghiệp tại Vietcombank

Quy trình xếp hạng tín dụng doanh nghiệp tại Vietcombank bao gồm nhiều bước, từ thu thập dữ liệu, phân tích thông tin đến chấm điểm và xếp hạng. Quy trình này được thực hiện bởi các chuyên gia tín dụng có kinh nghiệm và được kiểm soát chặt chẽ để đảm bảo tính khách quan và minh bạch. Tuy nhiên, việc chuẩn hóa quy trình và giảm thiểu thời gian xử lý vẫn là một thách thức.

4.2. So Sánh Mô Hình Credit Rating và Mô Hình Probability of Default

Vietcombank sử dụng đồng thời hai mô hình: Credit Rating System Vietcombank (CR) và PD model Vietcombank. Mô hình CR dựa trên đánh giá định tính và kinh nghiệm của chuyên gia, trong khi mô hình PD dựa trên phân tích định lượng và dữ liệu lịch sử. Việc so sánh kết quả của hai mô hình giúp ngân hàng đưa ra quyết định tín dụng toàn diện và chính xác hơn. Sự khác biệt giữa hai mô hình cần được phân tích kỹ lưỡng.

4.3. Ảnh Hưởng của Xếp Hạng Tín Dụng đến Hoạt Động Kinh Doanh

Kết quả xếp hạng tín dụng có ảnh hưởng lớn đến hoạt động kinh doanh của Vietcombank, bao gồm quyết định cho vay, lãi suất, hạn mức tín dụng và quản lý rủi ro. Xếp hạng tín dụng giúp ngân hàng phân loại khách hàng, định giá rủi ro và đưa ra các chính sách tín dụng phù hợp. Tuy nhiên, việc đánh giá đúng tác động của xếp hạng tín dụng và điều chỉnh chính sách một cách linh hoạt vẫn là một thách thức.

V. Giải Pháp Nâng Cao Hiệu Quả Mô Hình Xác Suất Vỡ Nợ Vietcombank

Để nâng cao hiệu quả mô hình xác suất vỡ nợ, Vietcombank cần thực hiện đồng bộ nhiều giải pháp, bao gồm tăng cường thu thập và xử lý dữ liệu, hoàn thiện mô hình định lượng, nâng cao năng lực chuyên môn của cán bộ tín dụng và tăng cường kiểm soát rủi ro. Đề xuất áp dụng hệ thống XHTDNB theo mô hình PD là rất quan trọng.

5.1. Tăng Cường Thu Thập và Chia Sẻ Dữ Liệu Tín Dụng

Để xây dựng mô hình PD chính xác, Vietcombank cần tăng cường thu thập dữ liệu về khách hàng, bao gồm thông tin tài chính, phi tài chính và lịch sử tín dụng. Ngoài ra, ngân hàng cũng cần chia sẻ dữ liệu tín dụng với các tổ chức khác để có cái nhìn toàn diện hơn về rủi ro tín dụng. Việc thu thập dữ liệu cần tuân thủ các quy định về bảo mật và quyền riêng tư.

5.2. Hoàn Thiện Mô Hình Định Lượng và Điều Chỉnh Tham Số

Mô hình định lượng cần được liên tục hoàn thiện và điều chỉnh tham số để đảm bảo tính chính xác và phù hợp với thực tế. Vietcombank cần sử dụng các kỹ thuật phân tích dữ liệu tiên tiến để đánh giá hiệu quả của mô hình và xác định các điểm cần cải thiện. Việc điều chỉnh tham số cần dựa trên dữ liệu lịch sử và kinh nghiệm thực tế.

5.3. Nâng Cao Năng Lực Chuyên Môn của Cán Bộ Tín Dụng

Cán bộ tín dụng đóng vai trò quan trọng trong việc áp dụng mô hình PD và đưa ra các quyết định tín dụng. Vietcombank cần đầu tư vào đào tạo và nâng cao năng lực chuyên môn của cán bộ tín dụng để họ có thể hiểu rõ về mô hình, đánh giá rủi ro và đưa ra các quyết định chính xác. Cần nâng cao chất lượng đánh giá tín dụng khách hàng Vietcombank.

VI. Triển Vọng Ứng Dụng AI trong Xếp Hạng Tín Dụng Vietcombank 2025

Trong tương lai, Vietcombank có thể ứng dụng trí tuệ nhân tạo (AI) và học máy để tự động hóa quy trình xếp hạng tín dụng, nâng cao độ chính xác và giảm thiểu chi phí. Các thuật toán AI có thể học hỏi từ dữ liệu và xây dựng mô hình dự báo phức tạp một cách tự động, giúp ngân hàng đưa ra các quyết định tín dụng nhanh chóng và hiệu quả. Điều này đặc biệt quan trọng trong việc quản trị rủi ro tín dụng Vietcombank.

6.1. Ứng Dụng AI để Tự Động Hóa Quy Trình Xếp Hạng

AI có thể được sử dụng để tự động hóa nhiều công đoạn trong quy trình xếp hạng tín dụng, từ thu thập dữ liệu, phân tích thông tin đến chấm điểm và xếp hạng. Việc tự động hóa giúp giảm thiểu thời gian xử lý, giảm chi phí và nâng cao hiệu quả hoạt động.

6.2. Nâng Cao Độ Chính Xác của Mô Hình Dự Báo Vỡ Nợ

Các thuật toán AI có khả năng học hỏi từ dữ liệu và xây dựng mô hình dự báo phức tạp với độ chính xác cao hơn so với các mô hình thống kê truyền thống. Việc ứng dụng AI giúp Vietcombank dự báo rủi ro tín dụng chính xác hơn và đưa ra các quyết định tín dụng tốt hơn.

6.3. Giảm Thiểu Chi Phí và Tăng Cường Hiệu Quả Hoạt Động

Ứng dụng AI giúp Vietcombank giảm thiểu chi phí hoạt động bằng cách tự động hóa các quy trình, giảm thời gian xử lý và giảm số lượng nhân viên cần thiết. Ngoài ra, AI cũng giúp nâng cao hiệu quả hoạt động bằng cách cải thiện độ chính xác của các quyết định tín dụng và giảm thiểu rủi ro.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh ngành ngân hàng Việt Nam đang từng bước hội nhập sâu rộng với chuẩn mực quốc tế, việc quản trị rủi ro tín dụng (RRTD) trở thành yếu tố sống còn đối với các ngân hàng thương mại cổ phần (NHTMCP). Ngân hàng TMCP Ngoại thương Việt Nam (VCB) là một trong những ngân hàng tiên phong áp dụng hệ thống xếp hạng tín dụng nội bộ (XHTDNB) và mô hình xác suất vỡ nợ (Probability of Default – PD) nhằm nâng cao hiệu quả quản lý rủi ro tín dụng. Từ năm 2012 đến 2018, VCB đã ghi nhận mức tăng trưởng ấn tượng với tổng tài sản đạt khoảng 1.073 nghìn tỷ đồng, vốn chủ sở hữu đạt gần 64 nghìn tỷ đồng, cùng lợi nhuận trước thuế tăng lên 18.300 tỷ đồng năm 2018. Tỷ lệ nợ xấu được kiểm soát dưới 1%, thấp hơn nhiều so với mức bình quân ngành là 1,89%, cho thấy hiệu quả trong công tác quản trị rủi ro.

Luận văn tập trung nghiên cứu hệ thống XHTDNB và mô hình xác suất vỡ nợ PD tại VCB trong giai đoạn 2012-2019, với mục tiêu phân tích thực trạng áp dụng, đánh giá hiệu quả và đề xuất giải pháp hoàn thiện hệ thống này. Phạm vi nghiên cứu bao gồm khách hàng doanh nghiệp có quan hệ tín dụng với VCB trên toàn hệ thống chi nhánh, với dữ liệu tài chính thứ cấp và khảo sát phỏng vấn 100 cán bộ tín dụng cùng 10 chuyên gia phê duyệt tín dụng tại trụ sở chính. Nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ VCB nâng cao năng lực quản trị rủi ro tín dụng, đáp ứng chuẩn mực Basel II và tăng cường sự ổn định, bền vững trong hoạt động kinh doanh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: hệ thống xếp hạng tín dụng nội bộ (XHTDNB) và mô hình xác suất vỡ nợ (PD). Hệ thống XHTDNB là công cụ đánh giá mức độ rủi ro tín dụng của khách hàng dựa trên các chỉ tiêu tài chính và phi tài chính, giúp ngân hàng phân loại khách hàng theo mức độ rủi ro và đưa ra quyết định cấp tín dụng phù hợp. Mô hình xác suất vỡ nợ PD sử dụng phương pháp hồi quy logistic dựa trên dữ liệu lịch sử vỡ nợ để ước lượng xác suất khách hàng không trả được nợ trong vòng một năm tiếp theo.

Ba khái niệm chuyên ngành quan trọng được sử dụng gồm:

• Xác suất vỡ nợ (PD): Tham số đo lường khả năng khách hàng không trả được nợ.
• Dự phòng rủi ro (DPRR): Khoản dự phòng ngân hàng trích lập để bù đắp tổn thất tín dụng dự kiến.
• Chuẩn mực Basel II: Bộ quy định quốc tế về quản trị rủi ro và an toàn vốn trong ngân hàng, trong đó yêu cầu áp dụng hệ thống xếp hạng tín dụng nội bộ và mô hình PD để tính toán vốn tối thiểu.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp phân tích định tính và khảo sát phỏng vấn. Nguồn dữ liệu thứ cấp gồm hơn 11.000 hồ sơ khách hàng doanh nghiệp vay vốn tại VCB giai đoạn 2008-2019, được thu thập từ Phòng Quản lý RRTD trụ sở chính. Dữ liệu sơ cấp được thu thập qua bảng câu hỏi khảo sát và phỏng vấn trực tiếp, điện thoại, email với 100 cán bộ tín dụng tại các chi nhánh và 10 chuyên gia phê duyệt tín dụng tại trụ sở chính, cùng 2 chuyên viên cao cấp nhóm định lượng.

Phương pháp phân tích định tính được áp dụng để so sánh kết quả phân loại nợ trước và sau khi áp dụng mô hình PD, đánh giá sự phân bổ dư nợ theo các nhóm rủi ro. Phương pháp khảo sát phỏng vấn nhằm thu thập ý kiến thực tiễn về hiệu quả và hạn chế của hệ thống XHTDNB và mô hình PD, từ đó đề xuất các giải pháp cải tiến. Cỡ mẫu khảo sát đảm bảo tính đại diện với sự phân bổ hợp lý theo khu vực và kinh nghiệm công tác của cán bộ tín dụng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả kiểm soát rủi ro tín dụng: Sau khi áp dụng mô hình PD, tỷ lệ nợ xấu của VCB giảm xuống dưới 1%, thấp hơn nhiều so với mức bình quân ngành 1,89%. Tỷ lệ trích lập dự phòng bao nợ xấu đạt 170%, cao nhất trong các tổ chức tín dụng tại Việt Nam, thể hiện sự chủ động trong phòng ngừa rủi ro.

2. Phân loại nợ theo mô hình CR và PD: Kết quả phân loại nợ theo mô hình PD có sự khác biệt rõ rệt so với mô hình CR truyền thống. Ví dụ, tỷ lệ khách hàng được xếp vào nhóm nợ đủ tiêu chuẩn tăng khoảng 10% sau khi áp dụng PD, đồng thời tỷ lệ nợ nhóm 3 trở lên giảm tương ứng, cho thấy mô hình PD có khả năng phân loại rủi ro chính xác hơn.

3. Phản hồi từ cán bộ tín dụng và chuyên gia: Khoảng 85% cán bộ tín dụng và 90% chuyên gia phê duyệt tín dụng đánh giá mô hình PD giúp nâng cao tính khách quan và giảm thiểu yếu tố cảm tính trong đánh giá rủi ro. Tuy nhiên, vẫn có khoảng 30% ý kiến cho rằng mô hình cần bổ sung thêm các chỉ tiêu phi tài chính và điều kiện thương mại để phản ánh sát hơn thực tế.

4. Khó khăn trong triển khai mô hình PD: Việc thu thập và xử lý dữ liệu lịch sử vỡ nợ phức tạp, đòi hỏi nguồn lực lớn và thời gian dài để xây dựng mô hình chính xác. Ngoài ra, việc áp dụng chuẩn mực Basel II theo phương pháp tiếp cận nâng cao vẫn còn khoảng cách đáng kể, cần có lộ trình phát triển phù hợp.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy mô hình xác suất vỡ nợ PD giúp VCB nâng cao hiệu quả quản trị rủi ro tín dụng, phù hợp với yêu cầu của Basel II và thực tiễn hoạt động ngân hàng hiện đại. Việc phân loại nợ chính xác hơn giúp ngân hàng tối ưu hóa dự phòng rủi ro, giảm thiểu tổn thất ngoài dự kiến và nâng cao lợi nhuận. So sánh với các nghiên cứu trong nước và quốc tế, kết quả này tương đồng với xu hướng áp dụng mô hình PD tại các ngân hàng tiên tiến.

Biểu đồ phân bổ dư nợ theo nhóm rủi ro trước và sau khi áp dụng mô hình PD minh họa rõ sự dịch chuyển sang nhóm rủi ro thấp hơn, thể hiện hiệu quả kiểm soát rủi ro. Bảng so sánh tỷ lệ nợ xấu và dự phòng rủi ro qua các năm cũng cho thấy sự cải thiện rõ nét sau khi triển khai mô hình PD.

Tuy nhiên, hạn chế của mô hình hiện tại là chưa tích hợp đầy đủ các yếu tố phi tài chính và điều kiện thương mại, dẫn đến một số trường hợp phân loại chưa sát thực tế. Việc này cũng được phản ánh qua ý kiến khảo sát, cho thấy cần có sự điều chỉnh và bổ sung để hoàn thiện mô hình. Ngoài ra, việc áp dụng Basel II theo phương pháp nâng cao đòi hỏi đầu tư lớn về công nghệ và nhân lực, là thách thức không nhỏ đối với VCB trong giai đoạn tới.

Đề xuất và khuyến nghị

1. Hoàn thiện bộ chỉ tiêu đánh giá: Cập nhật và bổ sung các chỉ tiêu phi tài chính và điều kiện thương mại vào mô hình PD nhằm nâng cao độ chính xác trong phân loại rủi ro, giúp phản ánh sát hơn thực trạng khách hàng doanh nghiệp.

2. Tăng cường đào tạo và nâng cao năng lực cán bộ: Tổ chức các khóa đào tạo chuyên sâu về mô hình PD và quản trị rủi ro tín dụng cho cán bộ tín dụng và chuyên gia phê duyệt, đảm bảo vận hành hiệu quả hệ thống xếp hạng nội bộ.

3. Đầu tư công nghệ và hệ thống dữ liệu: Xây dựng hệ thống quản lý dữ liệu lịch sử vỡ nợ đồng bộ, chính xác và cập nhật liên tục, hỗ trợ việc phân tích, dự báo và kiểm định mô hình PD một cách khoa học và kịp thời.

4. Lập lộ trình áp dụng Basel II nâng cao: Xây dựng kế hoạch chi tiết để tiến tới áp dụng phương pháp tiếp cận nâng cao (AIRB) theo chuẩn Basel II, bao gồm việc thu thập dữ liệu, kiểm định mô hình và hoàn thiện quy trình quản trị rủi ro.

5. Tăng cường giám sát và kiểm định định kỳ: Thiết lập quy trình kiểm định, đánh giá hiệu quả mô hình PD định kỳ nhằm phát hiện sớm các sai lệch, điều chỉnh kịp thời và đảm bảo tính ổn định của hệ thống xếp hạng tín dụng nội bộ.

Đối tượng nên tham khảo luận văn

1. Cán bộ quản lý rủi ro tín dụng tại các ngân hàng thương mại: Luận văn cung cấp kiến thức chuyên sâu về hệ thống xếp hạng tín dụng nội bộ và mô hình xác suất vỡ nợ, giúp nâng cao hiệu quả quản trị rủi ro tín dụng.

2. Chuyên gia phân tích tín dụng và thẩm định vay vốn: Các phương pháp phân tích định tính và định lượng được trình bày chi tiết giúp chuyên gia hiểu rõ hơn về cách xây dựng và vận hành mô hình PD trong thực tế.

3. Nhà nghiên cứu và sinh viên ngành Tài chính – Ngân hàng: Luận văn là tài liệu tham khảo quý giá về lý thuyết, phương pháp và ứng dụng thực tiễn của mô hình xếp hạng tín dụng nội bộ tại Việt Nam, đặc biệt trong bối cảnh áp dụng Basel II.

4. Cơ quan quản lý nhà nước và tổ chức giám sát ngân hàng: Nghiên cứu cung cấp cái nhìn toàn diện về thực trạng và thách thức trong quản lý rủi ro tín dụng tại các NHTMCP, hỗ trợ xây dựng chính sách và quy định phù hợp.

Câu hỏi thường gặp

1. Hệ thống xếp hạng tín dụng nội bộ (XHTDNB) là gì?
   XHTDNB là công cụ đánh giá mức độ rủi ro tín dụng của khách hàng dựa trên các chỉ tiêu tài chính và phi tài chính, giúp ngân hàng phân loại khách hàng theo mức độ rủi ro để ra quyết định cấp tín dụng phù hợp.

2. Mô hình xác suất vỡ nợ (PD) được xây dựng như thế nào?
   Mô hình PD sử dụng phương pháp hồi quy logistic dựa trên dữ liệu lịch sử vỡ nợ của khách hàng trong vòng ít nhất 5 năm để ước lượng xác suất khách hàng không trả được nợ trong vòng một năm tiếp theo.

3. Tại sao VCB cần áp dụng cả hai mô hình CR và PD?
   Hai mô hình bổ sung cho nhau: CR dựa trên đánh giá chuyên gia và chỉ tiêu hiện tại, trong khi PD dựa trên dữ liệu lịch sử và phân tích định lượng, giúp nâng cao tính khách quan và chính xác trong quản trị rủi ro tín dụng.

4. Việc áp dụng Basel II ảnh hưởng thế nào đến hệ thống XHTDNB?
   Basel II yêu cầu các ngân hàng xây dựng hệ thống xếp hạng tín dụng nội bộ và mô hình PD để tính toán vốn tối thiểu, nâng cao năng lực quản trị rủi ro và đảm bảo an toàn tài chính, từ đó thúc đẩy sự phát triển bền vững của ngân hàng.

5. Những khó khăn chính khi triển khai mô hình PD tại VCB là gì?
   Khó khăn gồm việc thu thập và xử lý dữ liệu lịch sử vỡ nợ phức tạp, yêu cầu nguồn lực lớn về công nghệ và nhân lực, cùng với việc cần thời gian để hoàn thiện và kiểm định mô hình nhằm đáp ứng chuẩn mực Basel II nâng cao.

Kết luận

• VCB đã xây dựng và áp dụng hiệu quả hệ thống xếp hạng tín dụng nội bộ và mô hình xác suất vỡ nợ PD, góp phần kiểm soát rủi ro tín dụng và giảm tỷ lệ nợ xấu xuống dưới 1%.
• Mô hình PD giúp phân loại rủi ro chính xác hơn so với mô hình CR truyền thống, hỗ trợ tối ưu hóa dự phòng rủi ro và nâng cao lợi nhuận.
• Nghiên cứu chỉ ra một số hạn chế trong mô hình hiện tại, đặc biệt là thiếu các chỉ tiêu phi tài chính và điều kiện thương mại, cần được bổ sung để hoàn thiện.
• Đề xuất các giải pháp nâng cao năng lực cán bộ, đầu tư công nghệ, hoàn thiện bộ chỉ tiêu và lập lộ trình áp dụng Basel II nâng cao nhằm tăng cường hiệu quả quản trị rủi ro.
• Luận văn là tài liệu tham khảo quan trọng cho cán bộ ngân hàng, chuyên gia tín dụng, nhà nghiên cứu và cơ quan quản lý trong việc phát triển hệ thống quản trị rủi ro tín dụng hiện đại và bền vững.

Tiếp theo, VCB cần triển khai các giải pháp đề xuất trong vòng 1-3 năm tới để tiến gần hơn đến chuẩn mực Basel II nâng cao, đồng thời duy trì giám sát và kiểm định định kỳ nhằm đảm bảo tính ổn định và hiệu quả của hệ thống xếp hạng tín dụng nội bộ. Các tổ chức tín dụng khác cũng có thể tham khảo nghiên cứu này để phát triển hệ thống quản trị rủi ro phù hợp với đặc thù và quy mô hoạt động của mình.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu chung về đề tài: Trình bày về sự cần thiết của vấn đề nghiên cứu, đối tượng và phạm vi nghiên cứu, giới thiệu phương pháp nghiên cứu, mục tiêu nghiên cứu; ý nghĩa của đề tài nghiên cứu. Chương 2: Xác định vấn đề nghiên cứu: Giới thiệu khái quát về ngân hàng VCB, một số thành tựu của VCB trong những năm gần đây; và xác định vấn đề nghiên cứu của đề tài. Chương 3: Cơ sở lý thuyết và Phương pháp nghiên cứu: Tổng hợp cơ sở lý thuyết về hệ thống XHTDNB, Mô hình xác suất vỡ nợ và các phương pháp đo lường RRTD khác; Tổng quan về Hiệp ước vốn Basel II về XHTD; Tổng quan các công 6 trình nghiên cứu trước đây. Hai phương pháp nghiên cứu chính của đề tài là phương pháp phân tích định tính và khảo sát phỏng vấn.

Chương 4: Thực trạng XHTDNB và mô hình xác suất vỡ nợ (PD) trong hoạt động kiểm soát RRTD về phân loại nợ tại hệ thống VCB. Chương 5: Đưa ra những kết luận cho nội dung và đề xuất giải pháp hoàn thiện Hệ thống XHTDNB theo mô hình PD đối với doanh nghiệp có quan hệ tín dụng tại Hệ thống Ngân hàng TMCP Ngoại thương Việt Nam. 7 CHƯƠNG 2: XÁC ĐỊNH VẤN ĐỀ NGHIÊN CỨU 2. Giới thiệu về VCB 2.

Giới thiệu sơ lược về VCB VCB được thành lập từ ngày 01/04/1963 với tổ chức tiền thân là Cục Ngoại hối/Sở Quản lý Ngoại hối (Trực thuộc Ngân hàng Nhà nước Việt Nam). Sau hơn 50 hoạt động trên thị trường, VCB hiện là một trong những NHTM lớn nhất Việt Nam. Là NHTM nhà nước đầu tiên được Chính phủ lựa chọn để thực hiện cổ phần hóa, sau khi thực hiện thành công việc phát hành cổ phiếu lần đầu ra công chúng ngày 26/12/2007, Ngân hàng TMCP Ngoại thương Việt Nam (VCB) chính thức hoạt động ngày 2/6/2008. Cấu trúc hệ thống của VCB được tổ chức theo mô hình công ty cổ phần, do nhà nước nắm cổ phần chi phối (Năm 2018, Nhà nước nắm giữ tỷ lệ cao nhất 77.11%; Mizuho Bank Ltd nắm giữ 15.00% và các cổ đông khác nắm giữ 7.89%) và đang được tiếp tục đổi mới theo mô hình tập đoàn tài chính phù hợp với chuẩn mực và thông lệ quốc tế.

Cơ cấu cổ đông của VCB (2018) Nguồn: BCTC kiểm toán của VCB Mô hình quản trị của VCB bao gồm: Các công ty con, liên doanh, liên kết cung cấp dịch vụ tài chính (Ngân hàng thương mại, ngân hàng đầu tư, dịch vụ tài chính khác và bảo hiểm); Các công ty con, liên doanh, liên kết cung cấp dịch vụ phi tài chính (bất động sản). Mô hình quản trị của VCB (2018) Nguồn: BCTC kiểm toán của VCB VCB là Ngân hàng dẫn đầu tại thị trường Việt Nam trong năm 2018 về: 13 tỷ USD •Giá trị thị trường 3,2 tỷ USD •Vốn chủ sở hữu 50,1 tỷ USD •Tổng tài sản 30,5 tỷ USD •Dư nợ cho vay 43,0 tỷ USD •Tiền gửi KH 740 triệu USD •Lợi nhuận trước thuế 16,04% •Thị phần TTQT - TTTM 37,42 tỷ USD •Doanh số Kinh doanh ngoại tệ 2. Khái quát tình hình hoạt động kinh doanh của VCB Bảng 2. Chỉ số tài chính của VCB (2012 – 2018) Chỉ tiêu 2012 2013 2014 2015 2016 2017 2018 Tổng tài sản có 414,670 468,994 576,989 674,395 787,907 1,035,293 1,072,983 Vốn chủ sở hữu 42,489 42,536 43,498 45,172 48,101 52,558 63,889 Vốn điều lệ 23,174 32,421 32,421 32,421 36,003 36,322 36,332 Huy động KH 284,415 332,245 422,204 500,528 590,451 708,520 802,223 Dư nợ cho vay 235,989 267,863 316,289 378,542 460,808 543,434 632,633 Lợi nhuận trước thuế 5,761 5,743 5,876 6,827 8,523 11,341 18,300 Lợi nhuận sau thuế 4,425 4,377 4,611 5,332 6,851 9,111 14,658 9 ROA 1.94% Tỷ lệ nợ xấu 2.97% Đơn vị: %/ Tỷ đồng Nguồn: BCTC kiểm toán của VCB Đơn vị: Triệu đồng Nguồn: BCTC KT của VCB Hình 2.

Tăng trưởng quy mô tổng tài sản VCB luôn duy trì tốc độ tăng trưởng cũng như kết quả kinh doanh ấn tượng trong nhóm các NHTM Việt Nam. Trong giai đoạn 2012 – 2018, tổng tài sản của VCB đã tăng trưởng gần 2.7 ngàn tỷ đồng lên đạt 1,072.9 ngàn tỷ đồng. Xét về quy mô tổng tài sản, VCB hiện đang xếp vị trí thứ 2 trong hệ thống NHTM sau Vietinbank. Đơn vị: Triệu đồng Nguồn: BCTC KT của VCB Hình 2.

Tăng trưởng quy mô vốn CSH và vốn điều lệ Chỉ tiêu vốn điều lệ tăng 1.2 ngàn tỷ đồng và đạt 36.3 ngàn tỷ đồng; vốn chủ sở hữu tăng trưởng 1.5 ngàn tỷ đồng đến 63.9 ngàn tỷ đồng. Hiện VCB đang xếp thứ 1 trong hệ thống các NHTM về quy mô vốn chủ sở hữu. 10 Đơn vị: Triệu đồng Nguồn: BCTC kiểm toán VCB Hình 2. Kết quả kinh doanh ROA và ROE giai đoạn 2012 - 2018 Mức độ tăng trưởng về kinh doanh của VCB được thể hiện thông qua hai kênh huy động và cho vay KH.

Trong đó, huy động tiền gửi KH tăng 2.82 lần từ khoảng 284.4 ngàn tỷ đồng lên đạt khoảng 802.2 ngàn tỷ đồng; dư nợ cho vay KH tăng 2.68 lần từ khoảng 235.9 ngàn tỷ đồng lên đạt 632.6 ngàn tỷ đồng. VCB giữ kỷ lục về lợi nhuận trong hệ thống ngân hàng năm 2018, lợi nhuận hợp nhất của VCB đạt 18.269 tỷ đồng tăng 61,1% so với năm 2017 và gấp 3 lần so với năm 2015 – năm đầu tiên VCB bước vào tái cơ cấu giai đoạn 2016- 2020. Đến năm 2020, VCB đặt mục tiêu trở thành ngân hàng số 1 Việt Nam, là một trong 300 tập đoàn tài chính lớn nhất thế giới, được quản trị theo các thông lệ quốc tế tốt nhất. Bên cạnh đó, VCB chú trọng phát triển hoạt động NHBL với tỷ trọng huy động tiền gửi 60% từ bán lẻ và 40% từ bán buôn; tín dụng với 50% từ bán lẻ và 50% từ bán buôn trong tổng dư nợ tín dụng của cả hệ thống.

Thành tựu của VCB về hoạt động QTRRTD trong những năm gần đây: Là ngân hàng có chất lượng quản trị rủi ro tốt nhất: Năm 2019, nợ xấu của Vietcombank được kiểm soát một cách thực chất và hiện chỉ ở mức dưới 0,8%. Như vậy, so với bình quân của ngành ngân hàng là 1,89%, nợ xấu của Vietcombank thấp hơn rất nhiều. Nợ xấu năm thứ hai liên tiếp về dưới 1%, mức thấp nhất trong 10 năm trở lại đây và về đích trước 2 năm so với đề án tái cơ cấu VCB. Tỷ lệ nợ xấu đến cuối năm 2018 giảm xuống còn 0,97%, là NHTM đầu tiên của Việt Nam đưa tỷ lệ nợ xấu thực chất xuống còn dưới 1%, phân loại theo chuẩn mực quốc tế, tỷ lệ trích lập dự phòng bao nợ xấu của VCB tính đến cuối năm 2018 đã lên tới 170%, là ngân hàng có tỷ lệ trích lập 11 dự phòng bao nợ xấu cao nhất trong các tổ chức tín dụng tại Việt Nam (DPRR/Nợ xấu 192%).

Là 1 trong 2 ngân hàng Việt Nam đầu tiên chính thức được NHNN công nhận đáp ứng chuẩn Basel II theo phương pháp tiếp cận tiêu chuẩn. Ngày 28/11/2018, VCB đã chính thức được Thống đốc NHNN Việt Nam chấp thuận là ngân hàng đầu tiên tại Việt Nam đáp ứng các chuẩn mực an toàn theo Basel II, được áp dụng thông tư 41 sớm 01 năm so với yêu cầu. Duy trì mức xếp hạng tốt nhất trên thị trường, được các tổ chức xếp hạng quốc tế uy tín đánh giá như sau: Hãng đánh giá Moody’s S&P Fitch Rating Xếp hạng BB-/bb- BB-/b Ba3/b1 Triển vọng Stable Positive Stable 2. Biểu hiện của vấn đề RRTD là khả năng xảy ra ngoài dự kiến khi KH không trả nợ cho ngân hàng hoặc trả nợ không đúng hạn.

Tổn thất dự kiến (EL) là những tổn thất có khả năng xảy ra nhưng được ngân hàng dự tính trước. Tổn thất ngoài dự kiến (UL) là những tổn thất có khả năng xảy ra nhưng không/chưa được ngân hàng dự tính được trước. Tổn thất dự kiến hay còn được gọi là phần bù rủi ro không phải là bộ phận của RRTD vì được ngân hàng dự tính được nên đã được ngân hàng chuyển vào lãi suất cấp tín dụng. Ngân hàng tính được tổn thất dự kiến càng chính xác thì khả năng xảy ra tổn thất ngoài dự kiến càng nhỏ.

Một trong những biện pháp và kỹ thuật QTRRTD của VCB là sử dụng các mô hình phân tích để chấm điểm về tình hình tài chính, uy tín và chất lượng tín dụng của KH, từ đó có thể chọn lọc KH tốt và có chính sách cho vay, ưu đãi phù hợp đối với từng đối tượng KH nhằm hạn chế tổn thất và phòng ngừa rủi ro trong hoạt động tín dụng. Kiểm soát RRTD là hoạt động thường xuyên và liên tục tại VCB hiện nay. XHTDNB là cơ sở để QTRRTD nhằm hạn chế và giới hạn rủi ro ở các mức mục tiêu; đồng thời cũng hỗ trợ ngân hàng trong việc phân loại nợ và trích lập dự phòng rủi ro, tiến tới mục tiêu tối đa hóa lợi nhuận và bảo vệ sự ổn định của hệ thống ngân hàng nói chung. Do vậy, việc nghiên cứu xây dựng và hoàn thiện hệ thống XHTDNB thông qua mô hình xếp hạng đo lường RRTD dựa trên xác suất vỡ nợ là cần thiết và đang 12 được VCB quan tâm nhằm phòng ngừa và hạn chế RRTD, giảm bớt tỷ lệ nợ xấu phải trích lập dự phòng rủi ro, đáp ứng các yêu cầu của Basel II và NHNN.

Các ngân hàng khi cho vay luôn hạn chế ở mức thấp nhất các rủi ro có thể xảy ra khi KH không trả được nợ hoặc trả nợ không đúng hạn. Vì hoạt động tín dụng mang lại lợi nhuận lớn nhất cho ngân hàng nên việc kiểm soát RRTD luôn được các ngân hàng đặt lên hàng đầu. Với KHDN thường vay các khoản vay có giá trị lớn, thời gian dài, nếu không kiểm tra, giám sát trước, trong và sau cho vay để xảy ra rủi ro thì thiệt hại cho các ngân hàng là rất lớn. Tại VCB thường có chính sách quản lý và kiểm soát rủi ro tín dụng thường xuyên và liên tục đối với nhóm khách hàng doanh nghiệp này nhằm phòng ngừa tổn thất có thể xảy ra vì bất kỳ khoản vay nào cũng có thể có vấn đề, việc sớm nhận biết vấn đề và có những biện pháp theo dõi nhanh chóng và chuyên nghiệp nhằm giúp các tổn thất giảm đến mức thấp nhất.

Những dấu hiệu cảnh báo sẽ giúp NH có thể nhận biết và có giải pháp xử lý sớm các vấn đề một cách hiệu quả.