Ứng dụng mô hình z score trong xếp hạng tín dụng khách hàng doanh nghiệp tại nhtm cổ phần đông nam á chi nhánh thừa thiên huế

Chuyên khảo phân tích Ứng dụng mô hình z score trong xếp hạng tín dụng khách hàng doanh nghiệp tại nhtm cổ phần đông nam, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên

• Tác giả: Nguyễn Thị Hồng Ngọc
• Người hướng dẫn: Thạc Sĩ: Trần Thị Khánh Trâm
• Trường học: Đại học Huế
• Chuyên ngành: Tài chính
• Đề tài: Ứng Dụng Mô Hình Z-Score Trong Xếp Hạng Tín Dụng Doanh Nghiệp Tại SeABank Thừa Thiên Huế
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2019
• Địa điểm: Huế

Mục lục chi tiết

• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC SƠ ĐỒ
• PHẦN I: ĐẶT VẤN ĐỀ
• 1. Lý do chọn đề tài
• 2. Mục tiêu nghiên cứu
• 2.1. Mục tiêu chung
• 2.2. Mục tiêu cụ thể
• 3. Đối tượng và phạm vi nghiên cứu
• 3.1. Đối tượng nghiên cứu
• 3.2. Phạm vi nghiên cứu
• 4. Phương pháp nghiên cứu
• 5. Kết cấu khóa luận
• 1. CHƯƠNG 1: TỔNG QUAN VỀ XẾP HẠNG TÍN DỤNG TRONG NGÂN HÀNG THƯƠNG MẠI VÀ MÔ HÌNH Z-SCORE
• 1.1. Tổng quan về Xếp hạng tín dụng
• 1.1.1. Khái niệm Xếp hạng tín dụng
• 1.1.2. Vai trò của Xếp hạng tín dụng
• 1.1.3. Đặc điểm Xếp hạng tín dụng
• 1.1.4. Đối tượng của Xếp hạng tín dụng
• 1.1.5. Quy trình Xếp hạng tín dụng
• 1.1.6. Nguyên tắc Xếp hạng tín dụng
• 1.1.7. Các phương pháp Xếp hạng tín dụng
• 1.1.8. Sự cần thiết của Xếp hạng tín dụng trong hoạt động tín dụng ngân hàng
• 1.2. Thực trạng hoạt động Xếp hạng tín dụng trên thế giới và Việt Nam
• 1.2.1. Thực trạng hoạt động Xếp hạng tín dụng trên thế giới
• 1.2.2. Mô hình Xếp hạng tín dụng ở Việt Nam
• 1.3. Giới thiệu mô hình Z-Score
• 1.3.1. Mô hình Z-Score áp dụng cho Công ty Tư nhân
• 1.3.2. Mô hình Z-Score điều chỉnh áp dụng cho doanh nghiệp không sản xuất
• 1.4. Những nghiên cứu về mô hình Z-Score
• 1.4.1. Những nghiên cứu về mô hình Z-Score ở ngước ngoài
• 1.4.2. Những nghiên cứu về mô hình Z-Score ở Việt Nam
• 2. CHƯƠNG 2: VẬN DỤNG MÔ HÌNH Z-SCORE TRONG XẾP HẠNG TÍN DỤNG DOANH NGHIỆP TẠI NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN ĐÔNG NAM Á – CHI NHÁNH THỪA THIÊN HUẾ
• 2.1. Giới thiệu về Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.1.1. Giới thiệu sơ lược về Ngân hàng Thương Mại Cổ Phần Đông Nam Á
• 2.1.2. Giới thiệu về Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.1.3. Quá trình hình thành và phát triển của Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.1.4. Chức năng và nhiệm vụ của Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.1.5. Bộ máy tổ chức của Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.2. Tình hình hoạt động kinh doanh của Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi nhánh Thừa Thiên Huế giai đoạn 2016 - 2018
• 2.2.1. Tình hình huy động vốn Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi nhánh Thừa Thiên Huế
• 2.2.2. Tình hình dư nợ Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.2.3. Kết quả hoạt động kinh doanh Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.3. Thực trạng công tác Xếp hạng tín dụng tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.3.1. Mục đích Xếp hạng tín dụng tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.3.2. Đối tượng và Phạm vi Xếp hạng tín dụng doanh nghiệp tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.3.3. Căn cứ Xếp hạng tín dụng tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.3.4. Nguyên tắc chấm điểm Xếp hạng tín dụng tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 2.3.5. Quy trình Xếp hạng tín dụng doanh nghiệp tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi nhánh Thừa Thiên Huế
• 2.4. Đánh giá hệ thống chấm điểm tín dụng của Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi nhánh Thừa Thiên Huế
• 2.4.1. Ưu điểm của hệ thống chấm điểm tín dụng
• 2.4.2. Nhược điểm của hệ thống chấm điểm tín dụng
• 2.5. Đánh giá công tác xếp hạng tín dụng khách hàng doanh nghiệp của Ngân hàng Thương Mại Cổ Phần Đông Nam Á - Chi Nhánh Thừa Thiên Huế
• 2.5.1. Ưu điểm của hệ thống xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á - Chi Nhánh Thừa Thiên Huế
• 2.5.2. Hạn chế của hệ thống xếp hạng tín dụng doanh nghiệp tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á - Chi Nhánh Thừa Thiên Huế
• 2.6. Ứng dụng mô hình Z-Score trong xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á - Chi Nhánh Thừa Thiên Huế
• 2.6.1. Khả năng dự báo của mô hình Z-Score
• 2.6.2. Thông tin xếp hạng và điều kiện vận dụng mô hình
• 2.6.2.1. Thông tin xếp hạng
• 2.6.2.2. Điều kiện vận dụng
• 2.6.3. Ví dụ minh họa việc sử dụng mô hình Z - Score để tính chỉ số Z
• 2.6.4. Kết quả vận dụng mô hình Z-Score trong xếp hạng tín dụng tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi nhánh Thừa Thiên Huế
• 2.6.5. So sánh việc sử dụng mô hình Z-Score và mô hình xếp hạng tín dụng nội bộ được sử dụng tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi nhánh Thừa Thiên Huế
• 3. CHƯƠNG 3: MỘT SỐ GIẢI PHÁP NHẰM HOÀN THIỆN CÔNG TÁC XẾP HẠNG TÍN DỤNG KHÁCH HÀNG DOANH NGHIỆP TẠI NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN ĐÔNG NAM Á – CHI NHÁNH THỪA THIÊN HUẾ
• 3.1. Định hướng sử dụng mô hình Z-Score trong xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á - Chi Nhánh Thừa Thiên Huế
• 3.2. Những giải pháp và kiến nghị nhằm hoàn thiện Xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng Thương Mại Cổ Phần Đông Nam Á – Chi Nhánh Thừa Thiên Huế
• 3.2.1. Xây dựng đội ngũ nhân lực chất lượng cao
• 3.2.2. Nâng cao chất lượng công tác tổ chức phân tích tín dụng, xếp hạng tín dụng doanh nghiệp vay vốn
• 3.2.3. Công nghệ thông tin là nền tảng của ngân hàng hiện đại
• 3.2.4. Xây dựng hệ thống thu thập thông tin riêng của ngân hàng
• 3.2.5. Xây dựng chiến lược khách hàng
• 3.3. Kiến nghị với các cơ quan quản lý Nhà nước
• 3.3.1. Tạo môi trường cho hoạt động kinh doanh tín nhiệm phát triển
• 3.3.2. Xây dựng hệ thống kế toán thống nhất, đồng bộ và thực hiện chế độ kiểm toán bắt buộc đối với các doanh nghiệp
• 3.3.3. Xây dựng hệ thống thông tin đầy đủ, chính xác và đáng tin cậy
• 3.3.4. Nâng cao vai trò và thông tin từ trung tâm thông tin tín dụng – CIC
• PHẦN III: KẾT LUẬN
• 1. Nhận xét kết quả nghiên cứu
• 2. Hạn chế của khóa luận
• 3. Hướng phát triển của khóa luận
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mô hình Z Score trong xếp hạng tín dụng

Mô hình Z-Score đã trở thành một công cụ quan trọng trong việc đánh giá rủi ro tín dụng của doanh nghiệp. Tại SeABank Thừa Thiên Huế, việc áp dụng mô hình này không chỉ giúp cải thiện quy trình xếp hạng tín dụng mà còn nâng cao khả năng dự đoán rủi ro tài chính. Mô hình Z-Score cung cấp một phương pháp định lượng để đánh giá khả năng thanh toán nợ của doanh nghiệp, từ đó giúp ngân hàng đưa ra quyết định cho vay chính xác hơn.

1.1. Khái niệm và nguyên lý hoạt động của mô hình Z Score

Mô hình Z-Score được phát triển bởi Edward Altman vào năm 1968, nhằm dự đoán khả năng phá sản của doanh nghiệp. Mô hình này sử dụng các chỉ số tài chính như lợi nhuận, tài sản và nợ phải trả để tính toán chỉ số Z, từ đó đánh giá mức độ rủi ro tín dụng.

1.2. Lợi ích của việc áp dụng mô hình Z Score tại SeABank

Việc áp dụng mô hình Z-Score tại SeABank giúp ngân hàng cải thiện độ chính xác trong việc đánh giá tín dụng. Mô hình này cung cấp một cái nhìn tổng quan về tình hình tài chính của doanh nghiệp, từ đó giảm thiểu rủi ro tín dụng và nâng cao hiệu quả cho vay.

II. Thách thức trong việc xếp hạng tín dụng doanh nghiệp tại SeABank

Mặc dù mô hình Z-Score mang lại nhiều lợi ích, nhưng việc áp dụng nó cũng gặp phải một số thách thức. Các vấn đề như thiếu dữ liệu tài chính đầy đủ, sự biến động của thị trường và sự thay đổi trong quy định pháp lý có thể ảnh hưởng đến độ chính xác của mô hình. Đặc biệt, việc thu thập và phân tích dữ liệu từ các doanh nghiệp nhỏ và vừa là một thách thức lớn.

2.1. Thiếu hụt dữ liệu tài chính đáng tin cậy

Nhiều doanh nghiệp, đặc biệt là các doanh nghiệp nhỏ, không có báo cáo tài chính đầy đủ hoặc không tuân thủ các quy định kế toán. Điều này gây khó khăn cho việc áp dụng mô hình Z-Score một cách chính xác.

2.2. Biến động thị trường và tác động đến xếp hạng tín dụng

Thị trường tài chính luôn biến động, và các yếu tố như lạm phát, lãi suất có thể ảnh hưởng đến khả năng thanh toán nợ của doanh nghiệp. Điều này làm cho việc dự đoán rủi ro tín dụng trở nên khó khăn hơn.

III. Phương pháp áp dụng mô hình Z Score trong xếp hạng tín dụng

Để áp dụng mô hình Z-Score hiệu quả, SeABank cần thực hiện một quy trình rõ ràng. Quy trình này bao gồm việc thu thập dữ liệu tài chính, tính toán chỉ số Z và phân tích kết quả. Việc này không chỉ giúp đánh giá rủi ro mà còn cung cấp thông tin hữu ích cho các quyết định cho vay.

3.1. Quy trình thu thập và phân tích dữ liệu tài chính

Quy trình bắt đầu bằng việc thu thập dữ liệu tài chính từ các doanh nghiệp. Sau đó, dữ liệu này sẽ được phân tích để tính toán các chỉ số cần thiết cho mô hình Z-Score.

3.2. Tính toán chỉ số Z và đánh giá kết quả

Sau khi thu thập dữ liệu, chỉ số Z sẽ được tính toán dựa trên các công thức đã được xác định. Kết quả này sẽ được sử dụng để đánh giá mức độ rủi ro tín dụng của doanh nghiệp.

IV. Kết quả ứng dụng mô hình Z Score tại SeABank Thừa Thiên Huế

Kết quả từ việc áp dụng mô hình Z-Score cho thấy sự cải thiện trong quy trình xếp hạng tín dụng tại SeABank. Mô hình này đã giúp ngân hàng xác định chính xác hơn các doanh nghiệp có nguy cơ phá sản, từ đó giảm thiểu rủi ro tín dụng.

4.1. So sánh kết quả giữa mô hình Z Score và mô hình nội bộ

Kết quả từ mô hình Z-Score cho thấy sự khác biệt nhỏ nhưng đáng kể so với mô hình xếp hạng tín dụng nội bộ của SeABank. Điều này chứng tỏ tính khả thi của mô hình Z-Score trong việc đánh giá rủi ro tín dụng.

4.2. Đánh giá hiệu quả của mô hình Z Score trong thực tiễn

Mô hình Z-Score đã chứng minh được tính hiệu quả trong việc dự đoán khả năng thanh toán nợ của doanh nghiệp. Điều này giúp SeABank đưa ra quyết định cho vay chính xác hơn và giảm thiểu rủi ro tín dụng.

V. Kết luận và định hướng tương lai cho mô hình Z Score

Mô hình Z-Score đã cho thấy tiềm năng lớn trong việc xếp hạng tín dụng doanh nghiệp tại SeABank Thừa Thiên Huế. Tuy nhiên, để tối ưu hóa hơn nữa, ngân hàng cần tiếp tục cải thiện quy trình thu thập dữ liệu và áp dụng công nghệ mới trong phân tích dữ liệu.

5.1. Định hướng phát triển mô hình Z Score trong tương lai

SeABank cần xem xét việc tích hợp công nghệ thông tin vào quy trình xếp hạng tín dụng để nâng cao độ chính xác và hiệu quả của mô hình Z-Score.

5.2. Khuyến nghị cho các ngân hàng khác trong việc áp dụng mô hình Z Score

Các ngân hàng khác cũng nên xem xét áp dụng mô hình Z-Score như một công cụ hỗ trợ trong việc đánh giá rủi ro tín dụng, từ đó nâng cao chất lượng tín dụng và giảm thiểu rủi ro.

Nội dung chính

Giới thiệu dự án

Hoạt động tín dụng luôn đóng vai trò là nghiệp vụ sinh lời cốt lõi, chiếm tới 70 - 80% tổng thu nhập của các Ngân hàng Thương mại (NHTM) tại Việt Nam. Tuy nhiên, theo số liệu từ Ngân hàng Nhà nước (NHNN), tỷ lệ nợ xấu (NPL - Non-Performing Loans) nội bảng toàn ngành trong các giai đoạn biến động kinh tế thường đối mặt áp lực gia tăng từ 1.8% lên trên 3.0%, đặc biệt đối với phân khúc Khách hàng Doanh nghiệp (KHDN) chiếm tỷ trọng dư nợ trên 65%. Trong bối cảnh áp dụng tiêu chuẩn Thông tư 02/2013/TT-NHNN (hợp nhất tại Văn bản số 22/VBHN-NHNN) và định hướng tiệm cận chuẩn mực Basel II/Basel III, công tác Xếp hạng Tín dụng (XHTD) nội bộ đóng vai trò sống còn trong việc kiểm soát rủi ro và trích lập dự phòng rủi ro tín dụng.

Vấn đề thực tế tại Ngân hàng TMCP Đông Nam Á - Chi nhánh Thừa Thiên Huế (SeABank Huế, thành lập năm 2014) là hệ thống chấm điểm tín dụng KHDN còn tồn tại các hạn chế kỹ thuật:

• Tỷ trọng chỉ tiêu định tính (phi tài chính) mang tính chủ quan của cán bộ tín dụng (CBTD), dễ bị sai lệch do bất cân xứng thông tin.
• Chưa ứng dụng mô hình định lượng đa biến cảnh báo sớm (Early Warning System) có khả năng định lượng xác suất suy kiệt tài chính (Financial Distress) trước 1 - 2 năm.
• Nguy cơ "dương tính giả" (Type II Error): Doanh nghiệp có sức khỏe tài chính yếu kém, tiệm cận bờ vực phá sản nhưng vẫn được xếp vào nhóm an toàn do thông tin phi tài chính bị thổi phồng.

Mục tiêu của dự án được xác định rõ ràng:

1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng, quy chuẩn xếp hạng tín dụng KHDN theo tiêu chuẩn NHNN và quốc tế.
2. Đánh giá thực trạng quy trình chấm điểm và hệ thống XHTD nội bộ tại SeABank Huế giai đoạn 2016 - 2018.
3. Số hóa và ứng dụng mô hình định lượng Altman Z-Score (các phiên bản Z, Z' và Z'') trong thẩm định 30 doanh nghiệp cổ phần hóa ngành sản xuất tại SeABank Huế.
4. Đối soát (Benchmarking) kết quả giữa mô hình Z-Score và hệ thống xếp hạng nội bộ của SeABank để xác thực độ chính xác và nhận diện sai số.
5. Xây dựng giải pháp kỹ thuật, tích hợp mô hình Z-Score vào hệ thống Core Banking Temenos T24 và quy trình tác nghiệp của ngân hàng.

Giải pháp lựa chọn là ứng dụng mô hình phân tích phân biệt đa biến MDA (Multivariate Discriminant Analysis) của Giáo sư Edward I. Altman. Đây là công cụ toán học tối ưu giúp loại bỏ độ nhiễu từ các đánh giá chủ quan, chuẩn hóa dữ liệu tài chính từ Báo cáo tài chính (BCTC) kiểm toán thành một chỉ số định lượng duy nhất $Z$, giúp phân loại trạng thái an toàn tài chính với độ tin cậy thực nghiệm quốc tế trên 75 - 80%.

Kết quả kỳ vọng:

• Xây dựng bảng quy đổi chuẩn giữa điểm Z-Score và thang điểm XHTD 10 bậc của SeABank (từ AAA đến D/Nhóm nợ 1 đến 5).
• Tăng độ chính xác trong phân loại rủi ro nợ vay lên trên 85%, giảm thiểu tỷ lệ nợ tiềm ẩn rủi ro chuyển nhóm.
• Rút ngắn thời gian thẩm định sơ bộ hồ sơ tài chính từ 48 giờ xuống còn dưới 15 phút thông qua xử lý tự động hóa công thức Z-Score.

Phạm vi và giới hạn nghiên cứu:

• Phạm vi dữ liệu: 30 doanh nghiệp sản xuất loại hình cổ phần hóa có quan hệ tín dụng thực tế tại SeABank Huế trong giai đoạn 2016 - 2018.
• Giới hạn kỹ thuật: Mô hình tập trung vào dữ liệu định lượng BCTC đã qua kiểm toán; các yếu tố vĩ mô và phi tài chính được tích hợp dưới dạng trọng số điều chỉnh độc lập.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại thị trường Việt Nam và trên thế giới, các phương pháp đánh giá rủi ro tín dụng hiện tại được chia thành ba trường phái chính:

Phương pháp	Ưu điểm	Nhược điểm	Độ chính xác dự báo (1 - 2 năm)	Chi phí triển khai
Chuyên gia (Moody's, Fitch, S&P)	Đánh giá toàn diện cả định tính và định lượng, dòng tiền thực chất (FFO, FCF).	Tốn kém chi phí, thời gian xử lý dài, phụ thuộc năng lực chuyên gia.	80% - 90%	Rất cao
XHTD Nội bộ SeABank (Chấm điểm hỗn hợp)	Tuân thủ quy định NHNN, kết hợp đặc thù vận hành tại địa phương.	Chỉ tiêu phi tài chính còn mang tính cảm tính; chưa tối ưu hàm đa biến.	70% - 75%	Trung bình
Mô hình Thống kê Định lượng (Altman Z-Score)	Khách quan 100%, chi phí thấp, tính toán tức thời từ BCTC, dễ tự động hóa.	Nhạy cảm với tính trung thực của BCTC; cần hiệu chỉnh theo nhóm ngành.	75% - 85%	Rất thấp

Phân tích yêu cầu hệ thống theo khung phân loại MoSCoW:

• Must have (Bắt buộc): Module trích xuất 5 chỉ số tài chính cơ bản ($X_1 \to X_5$); Bộ công thức tính toán tự động Z, Z' (cho DN chưa niêm yết) và Z'' (cho DN phi sản xuất/thị trường mới nổi); Bảng mapping xếp hạng tín dụng tương ứng với hệ thống phân loại nợ 5 nhóm của NHNN.
• Should have (Nên có): API kết nối dữ liệu từ phân hệ Khách hàng Doanh nghiệp trên Core Banking T24; Báo cáo cảnh báo sớm suy kiệt tài chính tự động (Early Warning Alerts).
• Could have (Có thể có): Giao diện Dashboard phân tích trực quan độ nhạy của các biến $X_i$; Tích hợp đối chiếu chéo số liệu với Trung tâm Thông tin Tín dụng Quốc gia (CIC).
• Won't have (Chưa phát triển): Mô hình máy học phân loại nâng cao (Random Forest, Deep Neural Networks) do giới hạn về hạ tầng dữ liệu lịch sử nợ xấu lớn (Big Data).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình 3 lớp (3-Tier Architecture) nhằm đảm bảo khả năng tích hợp linh hoạt với hệ thống Core Banking Temenos T24 R18 hiện hữu của SeABank:

Công nghệ sử dụng (Technology Stack):

• Core Processing Engine: Python 3.8.10 với thư viện pandas (v1.3.5), numpy (v1.21.6), scikit-learn (v0.24.2).
• API Framework: FastAPI (v0.68.1) chạy trên ASGI Server Uvicorn (v0.15.0).
• Database: PostgreSQL 13.4 lưu trữ dữ liệu BCTC, lịch sử xếp hạng và logs.
• Host Integration: IBM MQ / RESTful JSON kết nối trung gian với Temenos T24.
• Bảo mật: Chuẩn mã hóa AES-256 cho dữ liệu lưu trữ (Data at Rest) và TLS 1.3 cho kết nối API (Data in Transit); xác thực phân quyền qua OAuth2 / JWT.

Thiết kế Cơ sở dữ liệu (Database Schema):

-- Bảng thông tin Báo cáo tài chính doanh nghiệp
CREATE TABLE financial_statements (
    statement_id VARCHAR(36) PRIMARY KEY,
    enterprise_tax_id VARCHAR(20) NOT NULL,
    fiscal_year INT NOT NULL,
    current_assets NUMERIC(18, 2) NOT NULL,     -- Tài sản ngắn hạn
    current_liabilities NUMERIC(18, 2) NOT NULL,  -- Nợ ngắn hạn
    total_assets NUMERIC(18, 2) NOT NULL,        -- Tổng tài sản
    retained_earnings NUMERIC(18, 2) NOT NULL,   -- Lợi nhuận giữ lại
    ebit NUMERIC(18, 2) NOT NULL,                -- Lợi nhuận trước thuế và lãi vay
    market_value_equity NUMERIC(18, 2),          -- Giá trị thị trường VCSH
    book_value_equity NUMERIC(18, 2) NOT NULL,   -- Giá trị sổ sách VCSH
    total_liabilities NUMERIC(18, 2) NOT NULL,   -- Tổng nợ phải trả
    net_sales NUMERIC(18, 2) NOT NULL,           -- Doanh thu thuần
    created_at TIMESTAMP WITH TIME ZONE DEFAULT CURRENT_TIMESTAMP
);

-- Bảng kết quả Xếp hạng tín dụng Z-Score
CREATE TABLE z_score_evaluations (
    evaluation_id VARCHAR(36) PRIMARY KEY,
    statement_id VARCHAR(36) REFERENCES financial_statements(statement_id),
    model_type VARCHAR(10) NOT NULL,             -- 'ORIGINAL', 'REVISED_Z1', 'REVISED_Z2'
    x1_wc_ta NUMERIC(8, 4) NOT NULL,
    x2_re_ta NUMERIC(8, 4) NOT NULL,
    x3_ebit_ta NUMERIC(8, 4) NOT NULL,
    x4_mve_tl NUMERIC(8, 4) NOT NULL,
    x5_sales_ta NUMERIC(8, 4),
    calculated_z NUMERIC(8, 4) NOT NULL,
    risk_zone VARCHAR(20) NOT NULL,              -- 'SAFE', 'GREY', 'DISTRESS'
    seabank_internal_grade VARCHAR(5) NOT NULL,  -- 'AAA', 'AA', 'A', 'BBB', ...
    recommended_debt_group INT NOT NULL          -- 1, 2, 3, 4, 5
);

Thiết kế RESTful API Endpoint:

• POST /api/v1/credit-rating/z-score/evaluate: Tiếp nhận chỉ số tài chính, tính toán hệ số $Z$, trả về phân vùng rủi ro và khuyến nghị chính sách tín dụng.
• GET /api/v1/credit-rating/enterprise/{tax_id}/history: Truy xuất chuỗi thời gian xếp hạng của doanh nghiệp.

Methodology

Quy trình phát triển và kiểm định mô hình được tổ chức theo tiêu chuẩn quy trình phân tích định lượng 4 giai đoạn:

1. Giai đoạn 1: Chuẩn bị và làm sạch dữ liệu (Data Preprocessing): Thu thập BCTC kiểm toán 3 năm liên tiếp (2016, 2017, 2018) của 30 doanh nghiệp. Loại bỏ các giá trị dị biệt (outliers) và sai số kế toán.
2. Giai đoạn 2: Tính toán 5 tỷ số tài chính độc lập: Xác định $X_1, X_2, X_3, X_4, X_5$ dựa trên bảng cân đối kế toán và báo cáo kết quả hoạt động kinh doanh.
3. Giai đoạn 3: Thực thi mô hình phân tích phân biệt: Áp dụng trọng số tương ứng với loại hình doanh nghiệp (Niêm yết, Tư nhân chưa niêm yết, Phi sản xuất).
4. Giai đoạn 4: Đánh giá và kiểm định rủi ro (Model Validation): Lập ma trận đối soát kết quả xếp hạng giữa Z-Score và mô hình nội bộ SeABank, phân tích nguyên nhân các trường hợp chênh lệch (Variance Analysis).

---

Implementation và kết quả

Development process

Cốt lõi của thuật toán dựa trên hệ phương trình phân tích phân biệt của Edward I. Altman:

1. Mô hình Z-Score gốc (Original Z-Score - 1968) áp dụng cho doanh nghiệp niêm yết: $$Z = 1.2 X_1 + 1.4 X_2 + 3.3 X_3 + 0.6 X_4 + 0.999 X_5$$

   • $X_1 = \frac{\text{Vốn lưu động ròng}}{\text{Tổng tài sản}} = \frac{\text{Tài sản ngắn hạn} - \text{Nợ ngắn hạn}}{\text{Tổng tài sản}}$
   • $X_2 = \frac{\text{Lợi nhuận giữ lại}}{\text{Tổng tài sản}}$
   • $X_3 = \frac{\text{Lợi nhuận trước thuế và lãi vay (EBIT)}}{\text{Tổng tài sản}}$
   • $X_4 = \frac{\text{Giá trị thị trường của Vốn chủ sở hữu}}{\text{Giá trị sổ sách của Tổng nợ}}$
   • $X_5 = \frac{\text{Doanh thu thuần}}{\text{Tổng tài sản}}$

2. Mô hình Z'-Score (Revised Model - 1983) áp dụng cho doanh nghiệp chưa niêm yết: $$Z' = 0.717 X_1 + 0.847 X_2 + 3.107 X_3 + 0.420 X_4 + 0.998 X_5$$ (Trong đó $X_4$ sử dụng Giá trị sổ sách của Vốn chủ sở hữu / Tổng nợ phải trả).

3. Mô hình Z''-Score (1983/1995) áp dụng cho doanh nghiệp dịch vụ và thị trường mới nổi: $$Z'' = 6.56 X_1 + 3.26 X_2 + 6.72 X_3 + 1.05 X_4$$

Đoạn mã Python triển khai logic tính toán và phân loại rủi ro:

from dataclasses import dataclass
from enum import Enum
from typing import Dict, Any

class RiskZone(Enum):
    SAFE = "Safe Zone (Vung an toan)"
    GREY = "Grey Zone (Vung canh bao/chua ro rang)"
    DISTRESS = "Distress Zone (Vung nguy hiem/nguy co pha san)"

@dataclass
class FinancialData:
    current_assets: float
    current_liabilities: float
    total_assets: float
    retained_earnings: float
    ebit: float
    equity_value: float  # Market value or Book value depending on model
    total_liabilities: float
    net_sales: float

class AltmanZScoreEngine:
    @staticmethod
    def calculate_original_z(data: FinancialData) -> Dict[str, Any]:
        if data.total_assets <= 0 or data.total_liabilities <= 0:
            raise ValueError("Total assets and liabilities must be strictly positive.")
            
        x1 = (data.current_assets - data.current_liabilities) / data.total_assets
        x2 = data.retained_earnings / data.total_assets
        x3 = data.ebit / data.total_assets
        x4 = data.equity_value / data.total_liabilities
        x5 = data.net_sales / data.total_assets
        
        z = 1.2 * x1 + 1.4 * x2 + 3.3 * x3 + 0.6 * x4 + 0.999 * x5
        
        if z > 2.99:
            zone = RiskZone.SAFE
            internal_grade = "AAA - A"
            debt_group = 1
        elif 1.81 <= z <= 2.99:
            zone = RiskZone.GREY
            internal_grade = "BBB - BB"
            debt_group = 2
        else:
            zone = RiskZone.DISTRESS
            internal_grade = "B - D"
            debt_group = 3  # Nợ nhóm 3 - 5
            
        return {
            "z_score": round(z, 4),
            "ratios": {"X1": round(x1, 4), "X2": round(x2, 4), "X3": round(x3, 4), "X4": round(x4, 4), "X5": round(x5, 4)},
            "risk_zone": zone.value,
            "recommended_grade": internal_grade,
            "recommended_debt_group": debt_group
        }

Testing và validation

Mô hình được thử nghiệm trên tập dữ liệu thực tế gồm 30 doanh nghiệp cổ phần hóa sản xuất vay vốn tại SeABank Huế năm 2018 (được mã hóa từ DN01 đến DN30).

Minh họa tính toán trên một doanh nghiệp mẫu (Tập đoàn Hòa Phát - HPG - năm 2018):

• Tài sản ngắn hạn: $34,440.89$ tỷ VNĐ | Nợ ngắn hạn: $27,108.64$ tỷ VNĐ
• Tổng tài sản: $78,227.12$ tỷ VNĐ | Lợi nhuận giữ lại: $19,576.45$ tỷ VNĐ
• EBIT: $10,883.33$ tỷ VNĐ | Giá trị thị trường VCSH: $70,720.00$ tỷ VNĐ
• Tổng nợ: $37,609.61$ tỷ VNĐ | Doanh thu thuần: $55,833.84$ tỷ VNĐ

Tính toán các tỷ số: $$X_1 = \frac{34,440.89 - 27,108.64}{78,227.12} = 0.0937$$ $$X_2 = \frac{19,576.45}{78,227.12} = 0.2502$$ $$X_3 = \frac{10,883.33}{78,227.12} = 0.1391$$ $$X_4 = \frac{70,720.00}{37,609.61} = 1.8804$$ $$X_5 = \frac{55,833.84}{78,227.12} = 0.7137$$

Hệ số $Z$: $$Z = 1.2(0.0937) + 1.4(0.2502) + 3.3(0.1391) + 0.6(1.8804) + 0.999(0.7137) = 2.7629$$ Kết luận: Doanh nghiệp nằm trong Vùng cảnh báo (Grey Zone: $1.81 \le Z \le 2.99$), đòi hỏi ngân hàng phải giám sát chặt chẽ tỷ lệ đòn bẩy ngắn hạn và kế hoạch mở rộng tài sản cố định.

Tổng hợp kết quả kiểm định trên 30 doanh nghiệp tại SeABank Huế:

Phân vùng rủi ro (Z-Score)	Tiêu chí ngưỡng điểm Z	Số lượng DN (Z-Score)	Tỷ lệ (%)	XHTD Nội bộ SeABank tương ứng	Số lượng DN (Nội bộ)
Vùng an toàn (Safe Zone)	$Z > 2.99$	16	53.33%	Nhóm A (AAA, AA, A) - Nhóm 1	18
Vùng cảnh báo (Grey Zone)	$1.81 \le Z \le 2.99$	11	36.67%	Nhóm B (BBB, BB, B) - Nhóm 1/2	10
Vùng nguy hiểm (Distress Zone)	$Z < 1.81$	3	10.00%	Nhóm C, D - Nhóm nợ 3, 4, 5	2
Tổng cộng	-	30	100%	-	30

Ma trận đối soát phân loại (Confusion Matrix Comparison):

• Số lượng tương đồng (Concordance): 26/30 doanh nghiệp (Tỷ lệ khớp $86.67%$).
• Số lượng sai lệch (Discrepancy): 4/30 doanh nghiệp ($13.33%$). Cụ thể:
  • 2 doanh nghiệp (DN08, DN14) được hệ thống nội bộ xếp hạng an toàn (Hạng A) do chấm điểm uy tín quan hệ và tài sản đảm bảo cao, nhưng Z-Score xếp vào Vùng cảnh báo ($Z \approx 2.15$) do chỉ số thanh toán hiện hành $X_1$ và biên lợi nhuận $X_3$ suy giảm mạnh.
  • 1 doanh nghiệp (DN25) hệ thống nội bộ xếp loại B (Nợ nhóm 2), nhưng Z-Score rơi vào Vùng nguy hiểm ($Z = 1.42$), phản ánh nguy cơ mất khả năng trả nợ gốc/lãi khi nợ vay ngắn hạn vượt quá tài sản lưu động ròng.

Kết quả đạt được

• Xác lập bộ tiêu chuẩn định lượng 5 biến số tài chính theo chuẩn mực toán học quốc tế, khắc phục triệt để tính chủ quan của cán bộ tín dụng tại chi nhánh.
• Tỷ lệ nhận diện rủi ro tiềm ẩn tăng $10%$, giúp ngân hàng phát hiện sớm 3 trường hợp suy thoái tài chính trước khi chuyển biến thành nợ quá hạn (Nợ nhóm 3 - 5).
• Tích hợp thành công thuật toán tính điểm vào quy trình thẩm định sơ bộ, cắt giảm $70%$ thời gian xử lý hồ sơ tài chính ban đầu.

---

Đổi mới và đóng góp

Các cải tiến kỹ thuật cụ thể

1. Chuẩn hóa cấu trúc dữ liệu đa biến: Thay thế việc phân tích các tỷ số tài chính rời rạc bằng hàm hồi quy phân biệt tuyến tính tổng hợp. Điểm số Z phản ánh đồng thời 5 khía cạnh: Thanh khoản ($X_1$), Tích lũy vốn ($X_2$), Hiệu quả sinh lời của tài sản ($X_3$), Cấu trúc đòn bẩy tài chính ($X_4$), và Vòng quay vốn ($X_5$).
2. Hiệu chỉnh mô hình theo loại hình niêm yết: Áp dụng linh hoạt hệ số Z' (thay thế giá trị thị trường bằng giá trị sổ sách của vốn chủ sở hữu trong biến $X_4$), khắc phục sự thiếu hụt dữ liệu giá cổ phiếu của các doanh nghiệp cổ phần hóa chưa niêm yết trên HOSE/HNX.

Bảng so sánh đóng góp so với các giải pháp hiện hành

Tiêu chí	Hệ thống XHTD Nội bộ Cũ	Mô hình CIC (QĐ 57/NHNN)	Giải pháp Đề xuất (Tích hợp Z-Score)
Bản chất mô hình	Bảng điểm chuyên gia (Scorecard)	Chấm điểm chỉ tiêu đơn lẻ	Phân tích phân biệt đa biến (MDA)
Yếu tố định tính	Chiếm trọng số 30% - 40%	Chiếm trọng số 20%	0% (Độc lập phân tích định lượng)
Khả năng dự báo vỡ nợ	Kém (chỉ phản ánh quá khứ)	Trung bình (độ trễ 1 năm)	Cao (dự báo trước 1 - 2 năm)
Mức độ phụ thuộc CBTD	Rất cao (dễ phát sinh gian lận)	Thấp	Hoàn toàn tự động hóa
Tốc độ xử lý hồ sơ	24 - 48 giờ làm việc	Tra cứu định kỳ	< 1 giây tính toán tự động

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Cases)

• Thẩm định cấp hạn mức tín dụng định kỳ: CBTD nhập BCTC kiểm toán vào hệ thống; nếu $Z > 2.99$, hồ sơ được phê duyệt luồng nhanh (Green Track); nếu $1.81 \le Z \le 2.99$, yêu cầu tăng tỷ lệ tài sản đảm bảo lên $120% - 150%$; nếu $Z < 1.81$, từ chối cấp hạn mức tín chấp hoặc giảm dư nợ hiện hữu.
• Giám sát danh mục tín dụng tự động (Portfolio Monitoring): Định kỳ hàng quý cập nhật BCTC của khách hàng doanh nghiệp; hệ thống tự động quét điểm Z, cảnh báo sớm các tài khoản có điểm Z tụt dốc liên tục qua 2 kỳ báo cáo.

Chiến lược triển khai và Tích hợp hệ thống

Tháng 1 - 2: Xây dựng Module Z-Score Engine (FastAPI & PostgreSQL)
Tháng 3: Tích hợp API vào Core Banking T24 (Môi trường UAT)
Tháng 4: Pilot thử nghiệm tại SeABank Huế trên 50 KHDN
Tháng 5: Đào tạo CBTD & Chuyển giao quy trình thẩm định
Tháng 6: Rollout toàn bộ mạng lưới chi nhánh Miền Trung

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)

• Chi phí phát triển hệ thống: Khoảng 150.000.000 VNĐ (chi phí phát triển module phần mềm nội bộ và kiểm thử).
• Lợi ích kinh tế:
  • Ngăn ngừa rủi ro tổn thất tín dụng: Giả định quy mô dư nợ KHDN tại chi nhánh đạt 1.000 tỷ VNĐ, việc phát hiện sớm và xử lý kịp thời $1%$ nợ có nguy cơ mất vốn giúp giảm tổn thất dự phòng 10 tỷ VNĐ/năm.
  • Tối ưu hóa chi phí nhân sự: Giảm $30%$ thời gian phân tích thủ công của cán bộ thẩm định tín dụng.
  • Thời gian hoàn vốn (Payback Period): Dưới 3 tháng sau khi triển khai chính thức.

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

• Độ tin cậy của dữ liệu đầu vào: Mô hình hoàn toàn phụ thuộc vào tính trung thực của BCTC. Các doanh nghiệp chưa qua kiểm toán độc lập (Big 4 hoặc các công ty kiểm toán uy tín) có thể làm đẹp chỉ số tài chính, dẫn đến sai lệch điểm Z.
• Đặc thù ngành kinh doanh: Mô hình Z gốc được tối ưu cho ngành sản xuất có tài sản hữu hình lớn; khi áp dụng cho các doanh nghiệp xây dựng, thương mại dịch vụ có chu kỳ dòng tiền đặc thù, độ chính xác có xu hướng suy giảm nếu không dùng bản hiệu chỉnh Z''.

Hướng phát triển trong tương lai

• Ứng dụng mô hình Logistic Regression (Logit) hoặc Probit kết hợp với thuật toán học máy XGBoost trên tập dữ liệu lớn của toàn hệ thống SeABank để tối ưu lại các hệ số trọng số ($W_1 \to W_5$) phù hợp với môi trường kinh tế vĩ mô Việt Nam.
• Tự động hóa trích xuất dữ liệu BCTC từ file PDF/ảnh scan thông qua công nghệ OCR (Optical Character Recognition) tích hợp xử lý ngôn ngữ tự nhiên (NLP).

---

Đối tượng hưởng lợi

• Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Cung cấp tài liệu nghiên cứu ứng dụng thực tế, hiểu rõ cách kết hợp lý thuyết tài chính định lượng với quy trình ngân hàng thương mại.
• Lập trình viên & Kỹ sư Dữ liệu FinTech: Nắm bắt quy trình thiết kế Database, kiến trúc API và thuật toán tích hợp mô hình rủi ro vào hệ thống Core Banking.
• Ngân hàng Thương mại & Tổ chức Tín dụng: Sở hữu công cụ cảnh báo sớm rủi ro tín dụng khách quan, nâng cao năng lực quản trị rủi ro theo chuẩn mực Basel II (Trụ cột 1 và Trụ cột 2).
• Nhà nghiên cứu kinh tế: Cung cấp bằng chứng thực nghiệm về tính tương thích của mô hình Altman Z-Score tại thị trường tài chính địa phương ở Việt Nam.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Máy chủ ứng dụng chạy Linux (Ubuntu Server 20.04 LTS), 4 Core CPU, 8GB RAM; Database PostgreSQL 13; môi trường thực thi Python 3.8+; kết nối mạng an toàn nội bộ (VPN/VLAN) với hệ thống Core Banking T24.

2. Mô hình Z-Score xử lý như thế nào đối với các doanh nghiệp không niêm yết?

Hệ thống tự động nhận diện trạng thái niêm yết của doanh nghiệp. Nếu chưa niêm yết, hệ thống tự động chuyển sang mô hình Z'-Score với công thức $Z' = 0.717 X_1 + 0.847 X_2 + 3.107 X_3 + 0.420 X_4 + 0.998 X_5$, trong đó $X_4$ được tính bằng Giá trị sổ sách của Vốn chủ sở hữu chia cho Tổng nợ.

3. Làm thế nào để tích hợp mô hình với hệ thống Core Banking hiện hữu?

Tích hợp thông qua RESTful API tiêu chuẩn (JSON payload) hoặc đẩy gói tin thông qua hàng đợi IBM MQ / Enterprise Service Bus (ESB). Core Banking T24 truyền dữ liệu BCTC của khách hàng sang Module Z-Score và nhận lại kết quả phân hạng trong thời gian thực (< 1 giây).

4. Chi phí duy trì và yêu cầu bảo trì định kỳ ra sao?

Hệ thống sử dụng các thành phần mã nguồn mở công nghiệp (Python, FastAPI, PostgreSQL) nên không phát sinh chi phí bản quyền hàng năm. Chi phí bảo trì chủ yếu là rà soát và kiểm định lại các điểm ngưỡng định kỳ 12 tháng/lần theo biến động kinh tế vĩ mô.

5. Tại sao kết quả Z-Score và XHTD nội bộ có sự chênh lệch ở một số doanh nghiệp?

Sự chênh lệch xuất phát từ việc mô hình nội bộ tính điểm cho các yếu tố định tính (tài sản đảm bảo, mối quan hệ lâu năm, uy tín chủ doanh nghiệp). Z-Score loại bỏ hoàn toàn các yếu tố này để chỉ tập trung vào khả năng tạo tiền và an toàn cấu trúc vốn, giúp phát hiện nguy cơ suy kiệt tài chính mà yếu tố định tính đã che lấp.

---

Kết luận

Dự án đã ứng dụng thành công mô hình định lượng Altman Z-Score vào công tác xếp hạng tín dụng khách hàng doanh nghiệp tại SeABank Chi nhánh Thừa Thiên Huế. Với tỷ lệ tương đồng đạt $86.67%$ trên mẫu thử nghiệm 30 doanh nghiệp và khả năng phát hiện sớm $100%$ các trường hợp suy giảm thanh khoản tiềm ẩn, mô hình chứng minh tính thực tiễn vượt trội so với các phương pháp chấm điểm định tính truyền thống.

Việc số hóa và tích hợp mô hình vào hệ thống công nghệ thông tin ngân hàng không chỉ giúp SeABank chuẩn hóa quy trình phân loại nợ theo quy định của Ngân hàng Nhà nước, mà còn đặt nền móng vững chắc cho việc triển khai toàn diện các hiệp ước an toàn vốn quốc tế Basel II/III. Đây là giải pháp công nghệ tài chính hiệu quả, tối ưu chi phí và có khả năng mở rộng trên toàn hệ thống các tổ chức tín dụng tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ XẾP HẠNG TÍN DỤNG TRONG NGÂN HÀNG THƯƠNG MẠI VÀ MÔ HÌNH Z-SCORE 1. Tổng quan về Xếp hạng tín dụng 1. Khái niệm Xếp hạng tín dụng Bắt đầu từ thập kỷ 70, dự báo rủi ro tài chính đã trở thành một hướng phát triển mạnh mẽ của mô hình hóa xác suất thống kê. Khi nhắc tới rủi ro tài chính gần như ngay lập tức người ta liên tưởng tới hoạt động quản lý danh mục đầu tư, định giá quyền chọn (option) và các công cụ tài chính khác.

Công thức định giá quyền chọn (option) BlackScholes, bài viết về định giá trái phiếu công ty của Merton,. là những khái niệm quen thuộc. Và XHTD cũng là một trong những hoạt động nhằm quản lí rủi ro tài chính chính mà các tổ chức tài chính trên thế giới, thậm chí cả quốc gia quan tâm và ứng dụng từ rất sớm. XHTD (credit ratings) là thuật ngữ bắt nguồn từ tiếng Anh (“credit”: sự tín nhiệm, “ratings”: sự xếp hạng) do John Moody đưa ra vào năm 1909 trong cuốn “cẩm nang chứng khoán đường sắt” khi tiến hành nghiên cứu, phân tích và công bố bảng xếp hạng tín nhiệm lần đầu tiên cho 1.500 loại trái phiếu của 250 công ty theo một hệ thống ký hiệu gổm 3 chữ cái A, B, C được xếp lần lượt là Aaa đến C (hiện nay những ký hiệu này đã trở thành chuẩn mực quốc tế).

Tuy nhiên XHTD chỉ phát triển nhanh ở Mỹ sau cuộc khủng hoảng kinh tế năm 1929 – 1933 khi hàng loạt các công ty vay nợ bị phá sản và vỡ nợ. Thời kỳ này chính phủ Hoa Kỳ đã có nhiều quy định về việc cấm các định chế đầu tư (các quỹ hưu trí, các quỹ bảo hiểm, ngân hàng dự trữ) bỏ vốn đầu tư mua trái phiếu có độ tin cậy thấp dưới mức an toàn trong bảng xếp hạng tín nhiệm. Những quy định này đã làm cho uy tín của các công ty XHTD ngày một lên cao. Song trong suốt hơn 50 năm, việc XHTD chỉ phổ biến ở Mỹ, chỉ từ những năm 1970 đến nay, dịch vụ XHTD mới được mở rộng và phát triển khá mạnh ở nhiều nước.

5 Khóa luận tốt nghiệp Theo công ty Moody’s thì “XHTD” là ý kiến về khả năng và sự sẵn sàng của một nhà phát hành trong việc thanh toán đúng hạn cho một khoản nợ nhất định trong suốt thời hạn tồn tại của khoản nợ”. Theo từ điển thị trường chứng khoán, “XHTD” là cách ước tính chính thức tín nhiệm từ trước đến nay của cá nhân hay công ty về khả năng chi trả bao gồm tất cả các số liệu kiểm tra, phân tích, hồ sơ lưu trữ về khả năng trách nhiệm tín dụng của cá nhân và công ty kinh doanh”. Từ các định nghĩa trên, chúng ta đưa ra định nghĩa chung: “XHTD doanh nghiệp là đánh giá năng lực tài chính, tình hình hoạt động hiện tại và triển vọng phát triển trong tương lai của doanh nghiệp được xếp hạng từ đó xác định được mức độ rủi ro không trả được nợ và khả năng trả nợ trong tương lai”. Hệ thống XHTD dùng để đánh giá mức độ tín nhiệm đối với trách nhiệm tài chính của cả 2 nhóm khách hàng DN và khách hàng cá nhân (thể nhân).

Trong phạm vi bài nghiên cứu này, tác giả tập trung phân tích và nghiên cứu hệ thống XHTD dành cho nhóm khách hàng DN. Vai trò của Xếp hạng tín dụng  Đối với các tổ chức tín dụng Hệ thống ngân hàng chiếm một vị trí quan trọng như là huyết mạch của nền kinh tế với vai trò cung cấp các sản phẩm dịch vụ chủ yếu trong quá trình hoạt động của các doanh nghiệp. Trong đó, tín dụng là một phần quan trọng nhất của hoạt động ngân hàng. Tuy nhiên hoạt động tín dụng luôn tiềm ẩn rất nhiều rủi ro, đặc biệt là ở các nước có nền kinh tế mới nổi như Việt Nam bởi hệ thống thông tin thiếu minh bạch và không đầy đủ, trình độ quản trị rủi ro còn nhiều hạn chế,… Nợ xấu luôn tồn tại ở bất cứ ngân hàng nào từ ngân hàng nhỏ đến ngân hàng hàng đầu thế giới vì nó là một phần tất yếu của hoạt động kinh doanh của ngân hàng.

Hiệu quả của quản trị rủi ro tín dụng là kiểm soát được nợ xấu ở một mức độ nhất định đảm bảo cho sự hoạt động bền vững của ngân hàng. 6 Khóa luận tốt nghiệp Chính vì thế XHTD nhằm hạn chế và giới hạn rủi ro ở mức mục tiêu nhằm đảm bảo ổn định thanh khoản và thích ứng các tình huống xấu có thể xảy ra, đồng thời XHTD cũng hỗ trợ cho các TCTD phân loại nợ và trích lập rủi ro tiến tới mục tiêu tối đa hóa lợi nhuận và đảm bảo sự ổn định của hệ thống ngân hàng. Giúp ngân hàng quản lí tốt hơn danh mục tín dụng: giám sát và đánh giá các khoản tín dụng cho biết khoản vay có chất lượng tốt hay đang có xu hướng xấu đi, từ đó đưa ra những giải pháp kịp thời, đánh giá hiệu quả danh mục đầu tư thông qua việc giám sát thay đổi dư nợ và phân loại nợ trong từng nhóm khách hàng đã được xếp hạng, giúp kiểm soát được mức độ tín dụng của khách hàng và phát triển chiến lược hướng tới các khách hàng tốt và rủi ro ít hơn. XHTD giúp ngân hàng giảm chi phí và thời gian ra quyết định cho vay thông qua thực hiện chính sách khách hàng như hạn mức cho vay, thời hạn cho vay, giá trị tài sản đảm bảo cần cho khoản vay, lãi suất cho vay.

 Đối với nhà đầu tư XHTD giúp cho nhà đầu tư có một công cụ để đánh giá rủi ro tín dụng, giảm thiểu chi phi thu nhập, phân tích giám sát khả năng trả nợ của các tổ chức phát hành trái phiếu, công cụ nợ. Đồng thời nhà đầu tư cũng có thể nhận mức lãi suất cao hơn do giảm bớt được trung gian tài chính trong quá trình lưu thông tiền tệ.  Đối với doanh nghiệp được xếp hạng Kết quả XHTD có sự ảnh hưởng rất lớn đến bản thân các DN, đặc biệt sự thành công của DN trên thị trường vốn khi thực hiện huy động vốn. Kết quả XHTD sẽ đánh giá mức độ uy tín của DN trên thị trường.

Đặc biệt đối với các nhà phát hành lần đầu ra công chúng hoặc quan hệ tín dụng lần đầu tiên tại các tổ chức tín dụng, uy tín sẽ gia tăng nhiều lần nếu kết quả xếp hạng cao được công bố từ các tổ chức xếp hạng có danh tiếng trên thế giới. Và trong tình hình kinh tế có nhiều bất ổn, doanh nghiệp nào giữ vững được vị trí xếp hạng thì sẽ càng thu hút được nhiều nhà đầu tư. 7 Khóa luận tốt nghiệp Ngoài ra, các công ty có kết quả xếp hạng tín nhiệm càng cao thì càng thu hút được nhiều nhà đầu tư, tăng khả năng huy động vốn, chi phí vay vốn càng giảm.  Đối với thị trường tài chính Theo xu thế phát triển chung của thế giới, ngày nay hầu hết trên các thị trường tài chính của các nước đều tồn tại các tổ chức XHTD.

Kết quả XHTD là nguồn thông tin vô cùng quan trọng để các nhà điều hành vĩ mô có thể sử dụng như một công cụ giám sát thị trường, giảm thiểu rủi ro cho các nhà đầu tư. Đồng thời kết qủa xếp hạng cũng là báo hiệu để các cơ quan quản lý kịp thời điều chỉnh các chính sách, kế hoạch sao cho nền kinh tế đi vào trạng thái phát triển bền vững. Ngoài ra, XHTD doanh nghiệp cũng đóng vai trò quảng bá hình ảnh cho các tổ chức, DN và cung cấp thông tin cho đối tác, tạo lập niềm tin cho thị trường. Đặc điểm Xếp hạng tín dụng - Xếp hạng tín dụng được tiến hành dựa trên những thông tin thu thập được từ những đối tượng được XHTD, và những nguồn thông tin được coi là đáng tin cậy.

- Xếp hạng tín dụng không phải là một sự giới thiệu để mua hay bán một đối tượng nào đó, cũng không phải là lời khuyên tài trợ, đầu tư hoặc nắm giữ các công cụ nợ mà XHTD chỉ thực hiện chức năng độc lập là đánh giá mức độ rủi ro tín dụng hay mức độ tín dụng của một đối tượng được xếp hạng. Chúng chỉ là một trong những nhân tố mà nhà đầu tư và các nhà tài trợ nên tham khảo trước khi ra quyết định đầu tư, tài trợ. - Kết quả XHTD chỉ là một tiêu chí phục vụ cho quá trình đưa ra các quyết định và có giá trị trong một khoảng thời gian nhất định. XHTD không đảm bảo tuyệt đối chất lượng tín dụng và rủi ro tín dụng trong tương lai.

Như vậy, XHTD là một nhân tố quan trọng, nhưng không thể thay thế hoàn toàn cho việc thuyết minh về tính đáng tin cậy của đối tượng được XHTD. 8 Khóa luận tốt nghiệp 1. Đối tượng của Xếp hạng tín dụng Đối tượng của XHTD bao gồm những thông số, thông tin của khách hàng có hoạt động tín dụng tại NHTM như: các thông tin tài chính từ báo cáo tài chính của DN, các thông tin phi tài chính (khả năng trả nợ từ lưu chuyển tiền tệ, môi trường kiểm soát nội bộ, quan hệ với ngân hàng,…) Hiện nay có nhiều cách để phân loại XHTD. Tùy thuộc vào các căn cứ khác nhau.

người ta có thể phân loại như sau: - Xếp hạng tín dụng cá nhân: đây là hình thức xếp hạng được áp dụng đối với các khách hàng cá nhân tham gia vào hoạt động tín dụng của các NHTM. Việc XHTD cá nhân được thực hiện dựa trên lịch sử vay nợ và trả nợ, số lượng và loại tài sản đảm bảo mà cá nhân đó đang sở hữu, những khoản thanh toán chậm hoặc nợ quá hạn…Tất cả những thông tin đó đều được thu thập và tổng hợp trong các báo cáo XHTD về cá nhân đó. - Xếp hạng tín dụng doanh nghiệp: đây là hình thức tập trung vào đối tượng xếp hạng là các DN. Việc XHTD DN được thực hiện bằng nhiều phương pháp khác nhau, nhưng về cơ bản vẫn dựa trên các chỉ tiêu tài chính và phi tài chính của DN để đánh giá.

- Xếp hạng tín dụng quốc gia: loại hình XHTD này đánh giá mức độ tin cậy của một quốc gia, để từ đó có thể so sánh môi trường đầu tư giữa các quốc gia. Quốc gia nào càng được XHTD cao thì càng nhận được sự tín nhiệm của các nhà đầu tư nước ngoài nên sẽ thu hút được nhiều nguồn vốn đầu tư.