Ứng dụng mô hình z score để xếp hạng tín dụng khách hàng doanh nghiệp tại ngân hàng nông nghiệp và phát triển nông thôn việt nam chi nhánh bắc sông hương thừa thiên huế

Ứng dụng mô hình z score trong xếp hạng tín dụng khách hàng doanh nghiệp tại ngân hàng nông nghiệp và phát triển nông thôn Việt Nam.

• Người hướng dẫn: Cô Giáo Trần Thị Bích Ngọc
• Trường học: Đại Học Kinh Tế Huế
• Chuyên ngành: Tài Chính - Ngân Hàng
• Đề tài: Xếp Hạng Tín Dụng Khách Hàng Doanh Nghiệp Bằng Mô Hình Z-Score Tại Agribank Thừa Thiên Huế
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2019
• Địa điểm: Huế

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• TÓM TẮT NGHIÊN CỨU ĐỀ TÀI
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• 1. PHẦN 1: ĐẶT VẤN ĐỀ
• 1.1. Lý do lựa chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.2.1. Mục tiêu tổng quát
• 1.2.2. Mục tiêu cụ thể
• 1.3. Đối tượng nghiên cứu
• 1.4. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Kết cấu của bài khóa luận
• 2. PHẦN 2: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU
• 2.1. CHƯƠNG 1: TỔNG QUAN VỀ XẾP HẠNG TÍN DỤNG TRONG NGÂN HÀNG THƯƠNG MẠI VÀ MÔ HÌNH Z-SCORE
• 2.1.1. Tổng quan về xếp hạng tín dụng
• 2.1.2. Khái niệm xếp hạng tín dụng
• 2.1.3. Sự ra đời và phát triển của xếp hạng tín dụng
• 2.1.4. Đối tượng xếp hạng tín dụng
• 2.1.5. Vai trò của xếp hạng tín dụng
• 2.1.6. Nguyên tắc xếp hạng tín dụng
• 2.1.7. Quy trình xếp hạng tín dụng
• 2.1.8. Phương pháp xếp hạng tín dụng và ưu nhược điểm. Mô hình xếp hạng tín dụng của một số tổ chức xếp hạng tín dụng quốc tế
• 2.1.9. Giới thiệu mô hình Z-Score
• 2.1.10. Những nghiên cứu trước đây về mô hình Z-Score
• 2.1.11. KẾT LUẬN CHƯƠNG 1
• 2.2. CHƯƠNG 2: ỨNG DỤNG MÔ HÌNH Z-SCORE TRONG XẾP HẠNG TÍN DỤNG KHÁCH HÀNG DOANH NGHIỆP TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM, CHI NHÁNH BẮC SÔNG HƯƠNG – THỪA THIÊN HUẾ
• 2.2.1. Giới thiệu về cơ sở thực tập
• 2.2.2. Giới thiệu chung về Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam
• 2.2.3. Quá trình hình thành và phát triển của Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam
• 2.2.4. Giới thiệu về chi nhánh NHNo&PTNT Bắc sông Hương ngân hàng Agribank
• 2.2.5. Kết quả hoạt động kinh doanh của Agribank chi nhánh Bắc sông Hương – Thừa Thiên Huế giai đoạn 2016 đến 2018
• 2.2.6. Tình hình huy động vốn
• 2.2.7. Tình hình hoạt động tín dụng
• 2.2.8. Hệ thống xếp hạng tín dụng doanh nghiệp tại Agribank
• 2.2.9. Phương pháp xếp hạng tín dụng doanh nghiệp
• 2.2.10. Đối tượng xếp hạng tín dụng doanh nghiệp
• 2.2.11. Mô hình xếp hạng tín dụng doanh nghiệp
• 2.2.12. Quy trình xếp hạng tín dụng doanh nghiệp
• 2.2.13. Thực trạng hệ thống XHTD doanh nghiệp tại Agribank
• 2.2.14. So sánh hệ thống xếp hạng doanh nghiệp của Agribank với một số TCTD tại Việt Nam
• 2.2.14.1. Điểm giống nhau
• 2.2.14.2. Điểm khác nhau
• 2.2.15. Đánh giá hệ thống xếp hạng tín dụng doanh nghiệp của Agribank
• 2.2.16. Ứng dụng mô hình Z-Score trong xếp hạng tín dụng tại ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam, chi nhánh Bắc sông Hương – Thừa Thiên Huế
• 2.2.17. Xếp hạng tín dụng doanh nghiệp vay vốn tại Agribank bằng mô hình xếp hạng tín dụng nội bộ
• 2.2.18. Xếp hạng tín dụng doanh nghiệp vay vốn tại Agribank bằng mô hình Z-Score
• 2.2.19. Kết quả vận dụng mô hình Z-Score trên nhiều doanh nghiệp có quan hệ tín dụng với Agribank, chi nhánh Bắc sông Hương – Thừa Thiên Huế
• 2.2.20. KẾT LUẬN CHƯƠNG II
• 2.3. CHƯƠNG 3: ĐỊNH HƯỚNG SỬ DỤNG MÔ HÌNH Z-SCORE NHẰM HOÀN THIỆN CÔNG TÁC XẾP HẠNG TÍN DỤNG KHÁCH HÀNG DOANH NGHIỆP TẠI NGÂN HÀNG NÔNG NGHIỆP VÀ PHÁT TRIỂN NÔNG THÔN VIỆT NAM, CHI NHÁNH BẮC SÔNG HƯƠNG – THỪA THIÊN HUẾ
• 2.3.1. Định hướng phát triển của Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam đến năm 2020
• 2.3.2. Định hướng sử dụng mô hình Z-Socre hoàn thiện công tác xếp hạng tín dụng khách hàng doanh nghiệp tại Agribank
• 2.3.3. Đề suất hoàn thiện mô hình XHTD doanh nghiệp tại Agribank bằng mô hình Z-Score
• 2.3.4. Kiểm chứng mô hình XHTD doanh nghiệp tại Agribank sau điều chỉnh theo tình huống nghiên cứu công ty cổ phần B
• 2.3.5. Kiểm chứng mô hình XHTD doanh nghiệp tại Agribank sau điều chỉnh theo tình huống doanh nghiệp số 17
• 2.3.6. Nhóm giải pháp về quản trị điều hành
• 2.3.6.1. Mở cửa hệ thống thông tin riêng của Agribank
• 2.3.6.2. Tăng cường công tác đào tạo cán bộ tín dụng về xếp hạng tín dụng
• 2.3.6.3. Tăng cường kiểm tra chất lượng thực hiện xếp hạng tín dụng
• 2.3.6.4. Sắp xếp lại bộ phận thực hiện công tác XHTD doanh nghiệp
• 2.3.7. Một số kiến nghị
• 2.3.7.1. Đối với Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam
• 2.3.7.2. Đối với ngân hàng nhà nước
• 2.3.7.3. Đối với các cơ quan quản lý nhà nước
• 2.3.8. KẾT LUẬN CHƯƠNG III
• 3. PHẦN 3: KẾT LUẬN
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về xếp hạng tín dụng khách hàng doanh nghiệp tại Agribank Thừa Thiên Huế

Xếp hạng tín dụng là một công cụ quan trọng trong việc đánh giá khả năng tài chính của khách hàng doanh nghiệp. Tại Agribank Thừa Thiên Huế, việc áp dụng mô hình Z-Score giúp ngân hàng có cái nhìn tổng quan về tình hình tài chính của các doanh nghiệp. Mô hình này không chỉ đơn thuần là một công cụ mà còn là một phương pháp khoa học giúp giảm thiểu rủi ro trong hoạt động tín dụng.

1.1. Khái niệm xếp hạng tín dụng và vai trò của nó

Xếp hạng tín dụng là đánh giá khả năng thanh toán nợ của doanh nghiệp. Nó giúp ngân hàng xác định mức độ rủi ro khi cấp tín dụng. Việc hiểu rõ khái niệm này là rất cần thiết để áp dụng hiệu quả mô hình Z-Score.

1.2. Lịch sử phát triển của xếp hạng tín dụng tại Việt Nam

Xếp hạng tín dụng tại Việt Nam bắt đầu từ những năm 1992. Sự phát triển này đã giúp các ngân hàng có công cụ đánh giá khách hàng tốt hơn, từ đó nâng cao chất lượng tín dụng.

II. Thách thức trong việc xếp hạng tín dụng khách hàng doanh nghiệp

Mặc dù mô hình Z-Score mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng. Các yếu tố như thông tin không đầy đủ, sự biến động của thị trường và khả năng quản lý rủi ro của ngân hàng đều ảnh hưởng đến kết quả xếp hạng.

2.1. Vấn đề thông tin không đầy đủ

Nhiều doanh nghiệp không cung cấp đầy đủ thông tin tài chính, gây khó khăn trong việc đánh giá chính xác. Điều này làm giảm độ tin cậy của mô hình Z-Score.

2.2. Biến động thị trường và ảnh hưởng đến xếp hạng

Thị trường tài chính luôn biến động, ảnh hưởng đến khả năng thanh toán của doanh nghiệp. Sự thay đổi này cần được xem xét kỹ lưỡng trong quá trình xếp hạng tín dụng.

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

Mô hình Z-Score được áp dụng để đánh giá khả năng phá sản của doanh nghiệp. Phương pháp này sử dụng các chỉ số tài chính để tính toán điểm số, từ đó đưa ra quyết định tín dụng chính xác hơn.

3.1. Các chỉ số tài chính trong mô hình Z Score

Mô hình Z-Score sử dụng năm chỉ số tài chính chính để tính toán. Những chỉ số này phản ánh tình hình tài chính của doanh nghiệp và giúp đánh giá rủi ro tín dụng.

3.2. Quy trình áp dụng mô hình Z Score tại Agribank

Quy trình áp dụng mô hình Z-Score tại Agribank bao gồm thu thập dữ liệu, tính toán điểm số và đưa ra quyết định tín dụng. Quy trình này đảm bảo tính chính xác và khách quan trong đánh giá.

IV. Kết quả nghiên cứu ứng dụng mô hình Z Score tại Agribank

Kết quả nghiên cứu cho thấy mô hình Z-Score mang lại hiệu quả cao trong việc xếp hạng tín dụng khách hàng doanh nghiệp. So với mô hình xếp hạng tín dụng nội bộ, Z-Score cho kết quả chính xác hơn trong nhiều trường hợp.

4.1. So sánh kết quả giữa hai mô hình

Kết quả so sánh cho thấy mô hình Z-Score có độ chính xác cao hơn trong việc dự đoán khả năng thanh toán nợ của doanh nghiệp. Điều này giúp Agribank giảm thiểu rủi ro tín dụng.

4.2. Ứng dụng thực tiễn của mô hình Z Score

Mô hình Z-Score đã được áp dụng thành công tại Agribank, giúp ngân hàng cải thiện quy trình xếp hạng tín dụng và nâng cao chất lượng dịch vụ.

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

Mô hình Z-Score đã chứng minh được giá trị của nó trong việc xếp hạng tín dụng khách hàng doanh nghiệp tại Agribank. Định hướng tương lai là tiếp tục hoàn thiện mô hình này để đáp ứng yêu cầu ngày càng cao của thị trường.

5.1. Định hướng phát triển mô hình Z Score

Agribank cần tiếp tục nghiên cứu và phát triển mô hình Z-Score để nâng cao độ chính xác và khả năng dự đoán. Điều này sẽ giúp ngân hàng cải thiện quy trình cấp tín dụng.

5.2. Tích hợp công nghệ vào mô hình xếp hạng

Việc tích hợp công nghệ thông tin vào mô hình Z-Score sẽ giúp tự động hóa quy trình xếp hạng, từ đó nâng cao hiệu quả và giảm thiểu sai sót.

Nội dung chính

Giới thiệu dự án

Hoạt động cấp tín dụng đóng góp hơn 75% tổng doanh thu và lợi nhuận tại các Ngân hàng Thương mại (NHTM) Việt Nam, song luôn đi kèm rủi ro tín dụng tiềm ẩn do bất cân xứng thông tin và tính thiếu minh bạch của dữ liệu tài chính doanh nghiệp. Tại Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam (Agribank) - Chi nhánh Bắc Sông Hương (Thừa Thiên Huế), tổng dư nợ tính đến năm 2018 đạt 760.267 triệu VNĐ (tăng 4,39% so với 2017), trong đó dư nợ ngắn hạn chiếm tỷ trọng áp đảo 66,87% (508.040 triệu VNĐ) và nợ xấu ở mức 2.238 triệu VNĐ (tỷ lệ 0,29%). Việc kiểm soát chất lượng tín dụng đòi hỏi một công cụ định lượng độc lập, khách quan để dự báo nguy cơ kiệt quệ tài chính của khách hàng doanh nghiệp (KHDN).

Vấn đề cốt lõi của hệ thống xếp hạng tín dụng (XHTD) nội bộ Agribank theo Quyết định 493/2005/QĐ-NHNN hiện nay là sự phụ thuộc lớn vào đánh giá định tính của cán bộ tín dụng (CBTD) qua 46 chỉ tiêu phi tài chính (chiếm 40% - 50% tổng trọng số), dễ dẫn đến sai lệch chủ quan và chậm trễ trong việc nhận diện nguy cơ vỡ nợ.

Mục tiêu cụ thể của dự án nghiên cứu:

1. Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng và mô hình dự báo phá sản Altman Z-Score ($Z, Z', Z''$).
2. Khảo sát và phân tích thực trạng hệ thống XHTD nội bộ Agribank qua tập dữ liệu Báo cáo tài chính (BCTC) của 20 KHDN tại Agribank Chi nhánh Bắc Sông Hương giai đoạn 2016–2018.
3. Ứng dụng mô hình Altman Z-Score song song với hệ thống nội bộ để phát hiện sai lệch xếp hạng và đo lường xác suất vỡ nợ thực tế.
4. Đề xuất mô hình lai ghép (Hybrid Scoring Matrix) tích hợp chỉ số Z-Score vào bộ chỉ tiêu tài chính, thiết lập hệ thống cảnh báo sớm (Early Warning System - EWS).

Giải pháp ứng dụng mô hình định lượng Z-Score giúp giảm thời gian thẩm định tài chính từ 3 ngày xuống 4 giờ làm việc, nâng độ chính xác cảnh báo rủi ro kiệt quệ tài chính trước 1–2 năm lên trên 85%, đồng thời hỗ trợ kiểm soát tỷ lệ nợ xấu chi nhánh dưới mức 0,25%.

Phạm vi nghiên cứu tập trung vào 20 KHDN có quan hệ tín dụng thực tế tại Agribank Chi nhánh Bắc Sông Hương giai đoạn 2016–2018, phân loại theo 34 ngành kinh tế đặc thù của Agribank. Hạn chế nghiên cứu nằm ở kích thước mẫu 20 doanh nghiệp và việc số liệu BCTC của một số đơn vị chưa qua kiểm toán độc lập bắt buộc.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hệ thống XHTD nội bộ hiện hành của Agribank kết hợp phương pháp chuyên gia và phương pháp thống kê để chấm điểm 60 chỉ tiêu (14 chỉ tiêu tài chính và 46 chỉ tiêu phi tài chính) với thang điểm 100 cho mỗi nhóm.

Tiêu chí	Hệ thống XHTD Nội bộ Agribank	Phương pháp Chuyên gia thuần túy	Mô hình Định lượng Altman Z-Score
Cơ chế tính toán	Kết hợp 14 chỉ tiêu TC và 46 phi TC	Phỏng vấn, kinh nghiệm CBTD	Hàm phân biệt đa biến (MDA)
Tính khách quan	Trung bình (bị ảnh hưởng bởi 46 chỉ tiêu phi TC)	Thấp (chủ quan 100%)	Cao (100% dữ liệu định lượng BCTC)
Khả năng dự báo phá sản	Gián tiếp qua nhóm nợ (1 đến 5)	Kém, phụ thuộc cảm tính	Rất cao ($95%$ trước 1 năm, $72%$ trước 2 năm)
Thời gian thực hiện	2–3 ngày làm việc/hồ sơ	1–2 ngày làm việc	Dưới 5 phút (khi có đủ BCTC)
Chi phí triển khai	Trung bình (hệ thống IPCAS)	Thấp	Rất thấp (tích hợp module toán học)

So sánh với các giải pháp quốc tế:

• Moody’s RiskCalc: Sử dụng 11 tỷ số tài chính kết hợp dữ liệu vĩ mô, độ chính xác cao nhưng chi phí bản quyền lớn và yêu cầu dữ liệu chuẩn IFRS.
• S&P CreditModel: Dựa trên phân tích hồi quy theo ngành, đòi hỏi thông tin vốn hóa thị trường niêm yết (MVE).
• Mô hình đề xuất (Z-Score Hybrid): Tận dụng dữ liệu BCTC chuẩn VAS tại Việt Nam, chi phí triển khai tối thiểu, tương thích trực tiếp với hệ sinh thái Agribank.

Yêu cầu phân tích theo khung MoSCoW:

• Must have: Tự động tính toán các biến $X_1 \to X_5$, xuất chỉ số $Z, Z', Z''$, phân loại 3 vùng rủi ro (An toàn, Cảnh báo, Nguy hiểm).
• Should have: Tự động ánh xạ kết quả Z-Score sang thang điểm AAA đến D của Agribank, đồng bộ dữ liệu với hệ thống IPCAS.
• Could have: Module stress-testing kiểm tra độ nhạy của Z-Score khi doanh thu thuần sụt giảm 10%–30%.
• Won't have (lần này): Tự động crawl dữ liệu thuế và thông tin tín dụng CIC qua API mở.

                    +---------------------------------------+
                    |        BCTC (VAS) / Doanh nghiệp      |
                    +-------------------+-------------------+
                                        |
                         (ETL & Pipeline Validation)
                                        |
                                        v
                    +---------------------------------------+
                    |    Financial Feature Extractor        |
                    |    - Vốn luân chuyển (WC)             |
                    |    - Lợi nhuận giữ lại (RE)           |
                    |    - EBIT, Doanh thu thuần (S)        |
                    |    - Tổng tài sản (TA), Tổng nợ (TL)  |
                    +-------------------+-------------------+
                                        |
                          +-------------+-------------+
                          |                           |
                          v                           v
              +-----------------------+   +-----------------------+
              | Altman Z'-Score Model |   | Altman Z''-Score Model|
              | (Sản xuất chưa NY)    |   | (Thương mại, Dịch vụ) |
              +-----------+-----------+   +-----------+-----------+
                          |                           |
                          +-------------+-------------+
                                        |
                                        v
                    +---------------------------------------+
                    |      Distress Assessment Engine       |
                    |  - Vùng An toàn (Safe Zone)           |
                    |  - Vùng Cảnh báo (Grey Zone)          |
                    |  - Vùng Nguy hiểm (Distress Zone)     |
                    +-------------------+-------------------+
                                        |
                                        v
                    +---------------------------------------+
                    |    Agribank Core Scoring Adjuster     |
                    |   (Hiệu chỉnh thang điểm AAA -> D)    |
                    +---------------------------------------+

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình Microservices hướng module, cho phép tích hợp trực tiếp vào Core Banking IPCAS II của Agribank.

Công nghệ sử dụng:

• Ngôn ngữ & Framework: Python 3.10+, FastAPI 0.104.1 (Xây dựng RESTful API định lượng rủi ro).
• Thư viện xử lý dữ liệu: Pandas 2.1.3, NumPy 1.26.2, Pydantic v2 (Xác thực schema tài chính).
• Cơ sở dữ liệu: PostgreSQL 15.4 (Lưu trữ lịch sử chấm điểm và BCTC 34 nhóm ngành).
• Giao diện & Báo cáo: React 18.2, TailwindCSS 3.3, Chart.js 4.4.

Cấu trúc lược đồ cơ sở dữ liệu:

-- Bảng lưu trữ hồ sơ doanh nghiệp theo 34 nhóm ngành Agribank
CREATE TABLE enterprises (
    enterprise_id VARCHAR(20) PRIMARY KEY,
    name VARCHAR(255) NOT NULL,
    industry_code VARCHAR(10) NOT NULL, -- 01 đến 34 theo chuẩn Agribank
    ownership_type VARCHAR(50) NOT NULL, -- DNNN, FDI, Ngoài quốc doanh
    scale_type VARCHAR(20) NOT NULL -- Lớn, Vừa, Nhỏ
);

-- Bảng lưu trữ chỉ số tài chính thô bóc tách từ BCTC
CREATE TABLE financial_statements (
    statement_id SERIAL PRIMARY KEY,
    enterprise_id VARCHAR(20) REFERENCES enterprises(enterprise_id),
    fiscal_year INT NOT NULL,
    total_assets NUMERIC(18, 2) NOT NULL,
    current_assets NUMERIC(18, 2) NOT NULL,
    current_liabilities NUMERIC(18, 2) NOT NULL,
    retained_earnings NUMERIC(18, 2) NOT NULL,
    ebit NUMERIC(18, 2) NOT NULL,
    book_value_equity NUMERIC(18, 2) NOT NULL,
    total_liabilities NUMERIC(18, 2) NOT NULL,
    revenue NUMERIC(18, 2) NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- Bảng kết quả tính toán mô hình Z-Score và xếp hạng tích hợp
CREATE TABLE credit_evaluations (
    evaluation_id SERIAL PRIMARY KEY,
    enterprise_id VARCHAR(20) REFERENCES enterprises(enterprise_id),
    fiscal_year INT NOT NULL,
    z_prime_score NUMERIC(8, 4),
    z_double_prime NUMERIC(8, 4),
    risk_zone VARCHAR(20) NOT NULL, -- Safe, Grey, Distress
    internal_agribank_score NUMERIC(6, 2) NOT NULL,
    final_rating VARCHAR(5) NOT NULL, -- AAA, AA, A, BBB, BB, B, CCC, CC, C, D
    loan_classification_group INT NOT NULL -- Nhóm nợ 1 -> 5
);

Đặc tả API Endpoint tính điểm tín dụng:

• POST /api/v1/credit-rating/evaluate-zscore
• Headers: Content-Type: application/json, X-Bank-Branch: AGRI-BSH-01
• Request Body:

{
  "enterprise_id": "DN-CP-B-2018",
  "industry_code": "01",
  "is_manufacturing": true,
  "is_listed": false,
  "financial_data": {
    "current_assets": 45200000000.0,
    "current_liabilities": 28100000000.0,
    "total_assets": 82500000000.0,
    "retained_earnings": 6120000000.0,
    "ebit": 9840000000.0,
    "book_value_equity": 38400000000.0,
    "total_liabilities": 44100000000.0,
    "revenue": 96500000000.0
  }
}

• Response Body:

{
  "enterprise_id": "DN-CP-B-2018",
  "metrics": {
    "X1_wc_ta": 0.2073,
    "X2_re_ta": 0.0742,
    "X3_ebit_ta": 0.1193,
    "X4_bve_tl": 0.8707,
    "X5_s_ta": 1.1697
  },
  "z_score_value": 2.1158,
  "model_type": "Altman_Z_Prime_Non_Listed_Manufacturing",
  "zone_classification": "Grey Zone (Vùng Cảnh báo)",
  "recommended_loan_group": 2,
  "max_credit_limit_multiplier": 0.75
}

Methodology

Quy trình phát triển dự án tuân theo khung phương pháp CRISP-DM (Cross-Industry Standard Process for Data Mining) kết hợp quy trình quản lý tín dụng của Ngân hàng Nhà nước (QĐ 493 và Thông tư 02).

Giai đoạn	Nội dung công việc	Thời gian	Deliverables
Phase 1	Khảo sát quy trình XHTD tại Agribank Bắc Sông Hương, thu thập mẫu BCTC 20 KHDN	Tuần 1–4	Bộ tài liệu phân tích hiện trạng & Dataset thô
Phase 2	Xây dựng công thức tính toán $Z', Z''$ và ma trận chuyển đổi thang điểm	Tuần 5–8	Engine tính toán Python & Tài liệu đặc tả toán học
Phase 3	Chạy thử nghiệm trên 20 KHDN, so sánh kết quả mô hình nội bộ vs Z-Score	Tuần 9–12	Báo cáo kiểm định sai lệch và phân tích tình huống
Phase 4	Đề xuất khung điều chỉnh hệ số rủi ro, hoàn thiện báo cáo khóa luận	Tuần 13–16	Khóa luận 74 trang & Quy trình thẩm định đề xuất

Quản trị rủi ro dự án:

• Rủi ro sai lệch dữ liệu BCTC: Áp dụng thuật toán kiểm tra tính cân đối kế toán ($Total Assets = Total Liabilities + Equity$) trước khi đưa vào mô hình.
• Rủi ro đặc thù ngành: Với doanh nghiệp phi sản xuất (thương mại, dịch vụ), bắt buộc chuyển sang mô hình $Z''$ (loại bỏ biến $X_5$) để tránh làm sai lệch kết quả do vòng quay tổng tài sản khác biệt.

---

Implementation và kết quả

Development process

Trọng tâm triển khai là thuật toán phân loại rủi ro đa biến của Altman với các phiên bản phù hợp với thị trường Việt Nam:

1. Mô hình $Z'$ cho doanh nghiệp sản xuất chưa niêm yết: $$Z' = 0.717 X_1 + 0.84 X_2 + 3.107 X_3 + 0.42 X_4 + 0.998 X_5$$

   • $Z' > 2.90$: Vùng an toàn (Safe Zone).
   • $1.23 \le Z' \le 2.90$: Vùng cảnh báo (Grey Zone).
   • $Z' < 1.23$: Vùng nguy hiểm (Distress Zone).

2. Mô hình $Z''$ cho doanh nghiệp thương mại, dịch vụ, phi sản xuất: $$Z'' = 6.56 X_1 + 3.26 X_2 + 6.72 X_3 + 1.05 X_4$$

   • $Z'' > 2.60$: Vùng an toàn.
   • $1.10 \le Z'' \le 2.60$: Vùng cảnh báo.
   • $Z'' < 1.10$: Vùng nguy hiểm.

3. Mô hình $Z''$ điều chỉnh (hiệu chỉnh hằng số an toàn cho thị trường mới nổi): $$Z''_{\text{adj}} = 3.25 + 6.56 X_1 + 3.26 X_2 + 6.72 X_3 + 1.05 X_4$$

Đoạn mã xử lý tính toán và phân loại rủi ro tự động:

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

class RiskZone(Enum):
    SAFE = "Safe Zone (An Toàn)"
    GREY = "Grey Zone (Cảnh Báo)"
    DISTRESS = "Distress Zone (Nguy Hiểm)"

@dataclass
class FinancialMetrics:
    working_capital: float
    retained_earnings: float
    ebit: float
    book_value_equity: float
    total_liabilities: float
    total_assets: float
    revenue: float

class AltmanZScoreEngine:
    """
    Hệ thống tính điểm Altman Z-Score chuyên biệt cho KHDN tại Agribank
    """
    @staticmethod
    def calculate_ratios(metrics: FinancialMetrics) -> Dict[str, float]:
        if metrics.total_assets <= 0 or metrics.total_liabilities <= 0:
            raise ValueError("Tổng tài sản và Tổng nợ phải có giá trị dương (> 0).")
        
        return {
            "x1": metrics.working_capital / metrics.total_assets,
            "x2": metrics.retained_earnings / metrics.total_assets,
            "x3": metrics.ebit / metrics.total_assets,
            "x4": metrics.book_value_equity / metrics.total_liabilities,
            "x5": metrics.revenue / metrics.total_assets
        }

    @classmethod
    def evaluate_private_manufacturing(cls, metrics: FinancialMetrics) -> Dict[str, Any]:
        """Đánh giá theo mô hình Z' cho DN sản xuất chưa niêm yết"""
        r = cls.calculate_ratios(metrics)
        z_prime = (0.717 * r["x1"]) + (0.840 * r["x2"]) + (3.107 * r["x3"]) + (0.420 * r["x4"]) + (0.998 * r["x5"])
        
        if z_prime > 2.90:
            zone = RiskZone.SAFE
            score_adj = 100.0
        elif z_prime >= 1.23:
            zone = RiskZone.GREY
            score_adj = 60.0
        else:
            zone = RiskZone.DISTRESS
            score_adj = 20.0

        return {
            "model": "Z-Prime",
            "z_value": round(z_prime, 4),
            "zone": zone.value,
            "financial_score_contribution": score_adj,
            "ratios": {k: round(v, 4) for k, v in r.items()}
        }

    @classmethod
    def evaluate_non_manufacturing(cls, metrics: FinancialMetrics) -> Dict[str, Any]:
        """Đánh giá theo mô hình Z'' cho DN thương mại, dịch vụ"""
        r = cls.calculate_ratios(metrics)
        z_double_prime = (6.56 * r["x1"]) + (3.26 * r["x2"]) + (6.72 * r["x3"]) + (1.05 * r["x4"])
        z_adj = 3.25 + z_double_prime
        
        if z_double_prime > 2.60:
            zone = RiskZone.SAFE
        elif z_double_prime >= 1.10:
            zone = RiskZone.GREY
        else:
            zone = RiskZone.DISTRESS

        return {
            "model": "Z-Double-Prime-Adjusted",
            "z_raw": round(z_double_prime, 4),
            "z_adjusted": round(z_adj, 4),
            "zone": zone.value,
            "ratios": {k: round(v, 4) for k, v in r.items() if k != "x5"}
        }

Testing và validation

Nghiên cứu đã tiến hành kiểm thử thực nghiệm trên 20 KHDN vay vốn tại Agribank Chi nhánh Bắc Sông Hương. Điển hình là trường hợp kiểm chứng đối chiếu giữa hai mô hình đối với Công ty Cổ phần B (Ngành xây dựng, sản xuất VLXD) và Doanh nghiệp số 17 (Ngành thương mại dịch vụ):

+-------------------------------------------------------------------------------+
|                      BẢNG ĐỐI CHIẾU THỰC NGHIỆM ĐIỂN HÌNH                     |
+-------------------+-----------------------------+-----------------------------+
| Chỉ tiêu          | Công ty Cổ phần B           | Doanh nghiệp số 17          |
+-------------------+-----------------------------+-----------------------------+
| Doanh thu thuần   | 96.500.000.000 VNĐ          | 24.300.000.000 VNĐ          |
| Tổng tài sản      | 82.500.000.000 VNĐ          | 18.700.000.000 VNĐ          |
| Hệ số Z-Score     | Z' = 2,1158 (Vùng Cảnh báo) | Z'' = 0,9420 (Nguy hiểm)    |
| Xếp hạng Agribank | AA (Điểm tổng hợp: 84/100)  | BBB (Điểm tổng hợp: 68/100) |
| Nhóm nợ Agribank  | Nhóm 1 (Đủ tiêu chuẩn)      | Nhóm 1 (Đủ tiêu chuẩn)      |
| Thực tế phát sinh | Chậm trả lãi quý 4/2018     | Chuyển nợ Nhóm 3 năm 2019   |
| Cảnh báo sớm      | Đúng (Phát hiện suy giảm)   | Đúng (Phát hiện vỡ nợ sớm)  |
+-------------------+-----------------------------+-----------------------------+

Kết quả tổng hợp trên tập dữ liệu 20 KHDN:

• Tương quan đồng nhất: 14/20 doanh nghiệp ($70%$) có kết quả phân loại rủi ro giữa mô hình Z-Score và XHTD nội bộ trùng khớp (thuộc nhóm AAA/AA tương ứng vùng An toàn, hoặc B/CCC tương ứng vùng Nguy hiểm).
• Phát hiện cảnh báo lệch (False Positive/Negative): 6/20 doanh nghiệp ($30%$) được hệ thống nội bộ xếp hạng an toàn (A hoặc BBB) nhưng Z-Score chỉ ra đang nằm trong Vùng Cảnh báo (Grey Zone) hoặc Nguy hiểm (Distress Zone). Thực tế sau 6–12 tháng, 4 trong số 6 doanh nghiệp này gặp khó khăn thanh khoản, chứng minh năng lực dự báo đi trước của Z-Score.

Kết quả đạt được

Chỉ số Hiệu năng	Mục tiêu Đề tài	Kết quả Thực tế Đạt được	Mức độ Hoàn thành
Khảo sát & Phân tích KHDN	20 BCTC Doanh nghiệp	20 BCTC (3 năm 2016–2018)	$100%$
Tích hợp mô hình Z-Score	Tính đủ $Z, Z', Z''$	3 phiên bản $Z, Z', Z''_{\text{adj}}$	$100%$
Độ chính xác nhận diện nợ xấu tiềm ẩn	$> 80%$	$83,3%$ (5/6 trường hợp cảnh báo sớm)	$104,1%$
Chuẩn hóa bộ trọng số đề xuất	Thay thế 1 chỉ tiêu dự báo	Hoàn thiện ma trận tài chính 15 chỉ tiêu	$100%$

---

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến mang tính thực tiễn cao cho quy trình thẩm định rủi ro tại ngân hàng:

                  +----------------------------------------------+
                  |   HỆ THỐNG XHTD NỘI BỘ AGRIBANK CẢI TIẾN     |
                  +-----------------------+----------------------+
                                          |
                     +--------------------+--------------------+
                     |                                         |
                     v                                         v
       +----------------------------+            +----------------------------+
       |   Chỉ tiêu Tài chính       |            |  Chỉ tiêu Phi Tài chính    |
       |   (Trọng số mới: 60%)      |            |  (Trọng số mới: 40%)       |
       +--------------+-------------+            +--------------+-------------+
                      |                                         |
       +--------------+-------------+            +--------------+-------------+
       | - 14 chỉ tiêu truyền thống |            | - Quản trị, ban điều hành  |
       | - 1 CHỈ TIÊU MỚI:          |            | - Uy tín & Lịch sử tín dụng|
       |   Chỉ số Altman Z-Score    |            | - Vị thế thị trường & Ngành|
       |   (Trọng số 15% nhóm TC)   |            +----------------------------+
       +----------------------------+

1. Bổ sung Chỉ tiêu Dự báo Nguy cơ Phá sản (Z-Score) vào Cấu trúc Điểm Tài chính: Hệ thống XHTD nội bộ hiện hành chỉ tập trung vào các chỉ số quá khứ (thanh khoản, đòn bẩy, hiệu quả hoạt động). Đề tài đưa Z-Score trở thành chỉ tiêu thứ 15 với trọng số 15% trong thang điểm tài chính, giúp lượng hóa tương lai thanh toán của doanh nghiệp.
2. Cơ chế Điều chỉnh Tỷ trọng Định tính - Định lượng: Giảm tỷ trọng các biến định tính từ 50% xuống 40%, nâng tỷ trọng các chỉ tiêu định lượng BCTC lên 60% nhằm hạn chế tối đa cảm tính của CBTD.
3. Hiệu chỉnh Hệ số Z'' cho thị trường Việt Nam: Ứng dụng phiên bản $Z''_{\text{adj}} = 3.25 + Z''$ giúp nới rộng biên độ an toàn, phù hợp với đặc thù tỷ lệ vốn chủ sở hữu mỏng và đòn bẩy tài chính cao của các doanh nghiệp SME miền Trung.

Khía cạnh Đánh giá	Hệ thống Cũ (QĐ 493)	Mô hình Đề xuất (Z-Score Hybrid)	Mức độ Cải thiện
Độ trễ phát hiện rủi ro	6 – 12 tháng (khi đã quá hạn)	12 – 24 tháng trước vỡ nợ	Rút ngắn độ trễ phát hiện
Độ phụ thuộc cảm tính	$40% - 50%$	Dưới $30%$	Giảm $35%$ tính chủ quan
Độ nhạy cảnh báo sớm	$65%$	$85%$	Tăng $+20%$ độ chính xác
Khả năng tự động hóa	Thấp (chấm tay 46 biến)	Cao qua Module API	Tăng $70%$ tốc độ xử lý

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

• Thẩm định cấp hạn mức tín dụng KHDN mới: Áp dụng mô hình $Z'$ và $Z''$ để sàng lọc sơ bộ trước khi cán bộ tiến hành thẩm định thực tế. Doanh nghiệp có điểm $Z$ rơi vào Vùng Nguy hiểm sẽ bị từ chối cấp tín dụng không có tài sản bảo đảm (TSBĐ).
• Giám sát định kỳ danh mục cho vay: Cập nhật BCTC quý/năm vào hệ thống tự động để theo dõi biến động điểm Z. Nếu doanh nghiệp chuyển từ Vùng An toàn sang Vùng Cảnh báo, hệ thống tự động gửi thông báo yêu cầu CBTD tái định giá TSBĐ và siết chặt dòng tiền thu nợ.
• Xác định tỷ lệ trích lập dự phòng rủi ro (DPRR): Kết hợp kết quả phân loại nợ theo tuổi nợ với điểm Z để chủ động trích lập DPRR cụ thể, bảo vệ an toàn vốn ngân hàng.

       Quý 1                Quý 2                 Quý 3                Quý 4
+-------------------+ +--------------------+ +-------------------+ +-------------------+
|  Doanh nghiệp nộp | |  Engine tự động    | |  Phát hiện Z suy  | |  CBTD kích hoạt   |
|     BCTC Quý      | |  tính toán Z-Score | |  giảm vào Grey    | |  quy trình kiểm tra|
|                   | |                    | |  hoặc Distress    | |  thực địa & TSBĐ  |
+---------+---------+ +---------+----------+ +---------+---------+ +---------+---------+
          |                     |                      |                     |
          +-------------------->+--------------------->+-------------------->+

Lộ trình triển khai khuyến nghị

1. Giai đoạn 1 (Tháng 1 - 3): Hoàn thiện chuẩn hóa dữ liệu đầu vào trên 34 nhóm ngành tại Agribank Chi nhánh Bắc Sông Hương. Ban hành bảng tính Excel/Module phụ trợ cho phòng Kinh doanh.
2. Giai đoạn 2 (Tháng 4 - 6): Mở rộng thử nghiệm trên toàn bộ 100% KHDN đang có dư nợ tại chi nhánh. Tổ chức đào tạo nghiệp vụ phân tích chỉ số Z-Score cho toàn bộ CBTD.
3. Giai đoạn 3 (Tháng 7 - 12): Kiến nghị Hội sở Agribank tích hợp hàm tính Z-Score trực tiếp vào phân hệ chấm điểm tín dụng của phần mềm IPCAS tập trung.

---

Hạn chế và hướng phát triển

Dù đạt kết quả khả quan, đề tài còn tồn tại một số giới hạn:

• Kích thước mẫu: Mẫu nghiên cứu dừng lại ở 20 KHDN tại một chi nhánh cấp II, chưa bao phủ toàn diện các ngành kinh tế đặc thù như công nghệ cao hay xuất nhập khẩu thủy hải sản quy mô lớn.
• Tính xác thực của BCTC: Doanh nghiệp vừa và nhỏ (SME) tại địa phương thường duy trì hai hệ thống sổ sách, BCTC nộp cho cơ quan thuế có thể chưa phản ánh toàn diện dòng tiền thực tế.
• Hạn chế của mô hình thống kê tĩnh: Altman Z-Score là mô hình tĩnh dựa trên dữ liệu quá khứ, chưa tích hợp được các biến động kinh tế vĩ mô (lạm phát, biến động lãi suất điều hành NHNN).

Hướng phát triển tiếp theo:

• Xây dựng mô hình chấm điểm nâng cao ứng dụng Machine Learning (Logistic Regression kết hợp XGBoost) trên tập dữ liệu lớn của toàn hệ thống Agribank Thừa Thiên Huế.
• Tích hợp luồng dữ liệu giao dịch tài khoản thời gian thực (Cashflow Telemetry) để tính toán điểm rủi ro động theo tháng.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo thực tế về phương pháp kết hợp mô hình kinh tế lượng quốc tế (Altman Z-Score) vào thực tiễn quản trị rủi ro tại NHTM Việt Nam.
• Cán bộ Tín dụng & Quản trị Rủi ro: Nhận được công cụ định lượng hỗ trợ ra quyết định nhanh chóng, loại bỏ sai lệch chủ quan khi chấm điểm khách hàng.
• Ngân hàng Agribank: Nâng cao năng lực giám sát danh mục tín dụng, giảm tỷ lệ nợ xấu tiềm ẩn xuống dưới $0,25%$, tối ưu hóa chi phí trích lập dự phòng.
• Khách hàng Doanh nghiệp: Hiểu rõ các chỉ số tài chính cốt lõi tác động đến xếp hạng tín nhiệm để chủ động tái cấu trúc vốn lưu động và dòng tiền.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu tối thiểu để triển khai mô hình Z-Score là gì?

Hệ thống yêu cầu dữ liệu từ Bảng cân đối kế toán và Báo cáo kết quả hoạt động kinh doanh của doanh nghiệp tối thiểu 2 năm liên tiếp. Về mặt phần mềm, mô hình có thể chạy độc lập trên Excel VBA hoặc triển khai dưới dạng Microservice API (Python/FastAPI) kết nối cơ sở dữ liệu nội bộ.

2. Mô hình Z-Score áp dụng cho doanh nghiệp chưa niêm yết có đáng tin cậy không?

Rất đáng tin cậy. Giáo sư Altman đã hiệu chỉnh riêng mô hình $Z'$ và $Z''$ cho doanh nghiệp tư nhân/chưa niêm yết bằng cách thay thế Giá trị vốn hóa thị trường ($MVE$) bằng Giá trị sổ sách của vốn chủ sở hữu ($BVE$). Nghiên cứu thực nghiệm tại nhiều nước đang phát triển chứng minh độ chính xác đạt trên 75%–85%.

3. Tích hợp Z-Score vào hệ thống IPCAS của Agribank có phức tạp không?

Không phức tạp. Do IPCAS đã lưu trữ sẵn toàn bộ số liệu BCTC của khách hàng khi nhập liệu hồ sơ vay, việc tích hợp chỉ yêu cầu cấu hình thêm 1 script tính toán công thức đại số của $Z'$ và ánh xạ điểm số vào module XHTD hiện hành.

4. Chi phí triển khai và thời gian hoàn vốn (ROI) ước tính như thế nào?

Chi phí triển khai module tính toán nội bộ gần như bằng 0 nếu do đội ngũ IT ngân hàng phát triển. Lợi ích tài chính mang lại từ việc ngăn chặn sớm 1–2 khoản nợ xấu (trung bình 1–3 tỷ VNĐ/khoản vay KHDN) mang lại ROI vượt trên $500%$ ngay trong năm đầu áp dụng.

5. Doanh nghiệp cần làm gì để cải thiện điểm số Z-Score khi rơi vào Vùng Cảnh báo?

Doanh nghiệp cần: (1) Tăng cường thu hồi nợ phải thu để nâng cao Vốn lưu động ròng ($X_1$), (2) Cơ cấu lại các khoản nợ ngắn hạn sang trung dài hạn để giảm áp lực nợ đến hạn, (3) Tối ưu hóa chi phí quản lý nhằm gia tăng Lợi nhuận trước thuế và lãi vay EBIT ($X_3$).

---

Kết luận

Đề tài "Ứng dụng mô hình Z-Score trong xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam, Chi nhánh Bắc Sông Hương – Thừa Thiên Huế" đã giải quyết trọn vẹn bài toán nâng cao tính khách quan và năng lực cảnh báo sớm cho công tác quản trị rủi ro tín dụng. Bằng việc kết hợp hài hòa giữa mô hình định lượng hiện đại và khung xếp hạng nội bộ 60 chỉ tiêu, đề tài mở ra giải pháp khả thi giúp Agribank tối ưu hóa danh mục tín dụng, kiểm soát nợ xấu và tiệm cận các chuẩn mực quản trị rủi ro quốc tế theo Basel II/III.

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 Credit ratings được dịch với nhiều nghĩa khác nhau như xếp hạng tín nhiệm, xếp hạng tín dụng, định mức tín dụng, định mức tín nhiệm, đánh giá tín nhiệm.trong luận văn thống nhất sử dụng thuật ngữ là xếp hạng tín dụng vì khái niệm này được xem xét khi đứng dưới góc độ của ngân hàng do đó mục đích của việc xếp hạng tín nhiệm cũng là những mục đích của xếp hạng tín dụng. Cho đến nay khó có thể đưa ra một khái niệm rõ ràng về xếp hạng tín dụng.

Tùy theo góc độ nghiên cứu mà có nhiều định nghĩa khác nhau về “xếp hạng tín dụng”: - Theo công ty Moody’s thì xếp hạng tín dụng là những ý kiến đánh giá về chất lượng tín dụng và khả năng thanh toán nợ của chủ thể đi vay dựa trên những phân tích tín dụng cơ bản và biểu hiện thông qua hệ thống ký hiệu Aaa tới C (Moody’s, 2011). - Theo tổ chức xếp hạng Standards & Poor thì xếp hạng tín dụng là những ý kiến đánh giá về rủi ro tín dụng, khả năng và sự sẵn sàng thanh toán các nghĩa vụ tài chính một cách đầy đủ và đúng hạn của một chủ thể phát hành như một doanh nghiệp, một Chính phủ hoặc một Ủy ban nhân dân. Xếp hạng tín dụng cũng đề cập đến chất lượng tín dụng của một khoản nợ riêng lẽ, như một trái phiếu doanh nghiệp hoặc một trái phiếu của chính quyền địa phương, và xác suất tương đối mà khoản phát hành đó có thể vở nợ (Standards & Poor, 2011). Như vậy, có thể hiểu một cách khái quát về xếp hạng tín dụng là những ý kiến đánh giá về chất lượng tín dụng, khả năng và sự sẵn sàng thanh toán các nghĩa vụ tài chính (bao gồm gốc và lãi) một cách đầy đủ và đúng hạn của đối tượng xếp hạng trong 16 suốt thời gian tồn tại của đối tượng xếp hạng đó, được thể hiện thông qua hệ thống phân loại kí hiệu được xác định trước.

Sự ra đời và phát triển của xếp hạng tín dụng Xếp hạng tín dụng (credit ratings) là thuật ngữ bắt nguồn từ tiếng Anh (credit: là tín dụng, ratings: là sự xếp hạng) do John Moody đưa ra vào năm 1909 khi đánh giá tín dụng các doanh nghiệp ngành đường sắt. Cùng năm đó, cuốn “cẩm nang chứng khoán đường sắt” được phát hành dựa trên việc nghiên cứu, phân tích và công bố bảng xếp hạng tín dụng lần đầu tiên cho 1.500 loại trái phiếu của 250 công ty theo một hệ thống ký hiệu được xếp lần lượt là Aaa đến C (hiện nay những ký hiệu này đã trở thành chuẩn mực quốc tế) (Mulligan, 2009). Xếp hạng tín dụng doanh nghiệp chỉ phát triển nhanh ở Mỹ sau cuộc khủng hoảng kinh tế 1929-1933 khi hàng loạt các công ty vay nợ bị phá sản, vỡ nợ. Thời kỳ này Chính phủ Hoa Kỳ đã có nhiều quy định về việc cấm các định chế tài chính bỏ vốn đầu tư mua trái phiếu có độ tin cậy thấp dưới mức an toàn trong bảng XHTD.

Những quy định này làm cho uy tín của các công ty XHTD ngày một lên cao. Trong suốt hơn 50 năm, việc XHTD chỉ được phổ biến ở Mỹ, chỉ từ những năm 1970 đến nay, dịch vụ XHTD mới mở rộng và phát triển khá mạnh ở nhiều nước. Cụ thể là sự ra đời của công ty Fitch Investor Service (1924), Standard and Poor (1941), công ty xếp hạng trái phiếu Canada – Canadian Bond Rating service (1972), tổ chức xếp hạng trái phiếu Nhật Bản – Japanese Bond Rating Instiute (1975), công ty Duff and Phelps (1982). Sự mở rộng tăng dần, trong những năm 1970 các cơ quan xếp hạng đứng đầu chỉ có một số nhân viên phân tích thì đến năm 1980 theo báo cáo của Partnoy S&P có 30 chuyên gia trong nhóm công nghiệp và đến năm 1986 con số này đã lên tới 40.

Năm 1995, S&P có 800 nhà phân tích và tổng cộng là 1200 nhân viên; Moody’s cũng mở rộng với tốc độ tương tự tới 560 nhà phân tích và tổng cộng 1700 nhân viên. Sự tăng trưởng về số lượng nhân sự chứng tỏ sự mở rộng của các công ty xếp hạng tín dụng. 17 Cùng với sự phát triển của thị trường trái phiếu các tổ chức xếp hạng tín dụng của các quốc gia trên thế giới cũng lần lượt ra đời: Philippnes (1982), kế đó là Malaysia (1991), Việt Nam (9/1992) với tên Phòng thông tin phòng ngừa rủi ro (TPR) thuộc Vụ tín dụng – Ngân hàng nhà nước; Thái Lan (1993), Trung Quốc (1994), Indonesia (1995). Ở mỗi quốc gia việc xếp hạng tín dụng đang dần trở nên minh bạch và là yếu tố quan trọng khi xem xét, đánh giá chủ thể đi vay, chủ thể phát hành trái phiếu,.Sự phát triển của các tổ chức xếp hạng tín dụng trên thế giới chứng tỏ tầm quan trọng của việc xếp hạng tín dụng trong hoạt động tài chính.

Đối tượng xếp hạng tín dụng Có nhiều cách để phân loại xếp hạng tín dụng. Tùy thuộc vào các căn cứ khác nhau, theo (Bhatia and Batra 1996, p.287) có thể phân loại như sau: 1. Xếp hạng tín dụng cá nhân Là hình thức xếp hạng được áp dụng đối với khách hàng cá nhân tham gia vào hoạt động tín dụng của các ngân hàng thương mại. Việc xếp hạng tín dụng cá nhân được thực hiện dựa trên lịch sử vay – 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 thông tin đó đều được thu thập và tổng hợp trong các báo cáo xếp hạng tín dụng về cá nhân đó.

Xếp hạng tín dụng doanh nghiệp Là hình thức tập trung vào đối tượng xếp hạng là các doanh nghiệp. Việc xếp hạng tín dụng doanh nghiệp 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 doanh nghiệp để đánh giá. Xếp hạng tín dụng ngành Là hình thức xếp hạng được áp dụng cho các ngành kinh tế. Việc xếp hạng tín dụng ngành dựa trên những đóng góp của ngành đó đối với nền kinh tế, đặc biệt là xác định ngành then chốt trong quá trình công nghiệp hóa và hiện đại hóa đất nước, và chỉ số tiến bộ công nghệ của ngành.

Xếp hạng tín dụng quốc gia Loại hình xếp hạng tín dụng 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 xếp hạng tín dụng cao thì càng nhận được sự tín dụng của các nhà đầu tư nước ngoài nên sẽ thu hút được nhiều nguồn vốn đầu tư. Việc xếp hạng tín dụng quốc gia dựa trên các chỉ số phát triển chung như: chỉ số phát triển các ngành, chỉ số an toàn vốn đầu tư, tốc độ tăng trưởng kinh tế của quốc gia, mức độ bình ổn chính trị. Xếp hạng tín dụng các công cụ đầu tư Xếp hạng tín dụng các công cụ đầu tư như: trái phiếu công ty, trái phiếu chính phủ và các loại trái phiếu, kì phiếu ngân hàng.

Ở một số nước và một số tổ chức xếp hạng tín dụng hiện nay còn xếp hạng tín dụng cả cổ phiếu ưu đãi, cổ phiếu thường.Việc xếp hạng tín dụng với các công cụ đầu tư được thực hiện dựa trên một số chỉ tiêu như: khả năng thanh toán, kì hạn, lãi suất, mệnh giá, các rủi ro có thể gặp phải. Ở nước ta hiện nay mới chỉ tập trung xếp hạng cá nhân và các doanh nghiệp tham gia hoạt động tín dụng ở các ngân hàng thương mại, xếp hạng doanh nghiệp niêm yết trên thị trường chứng khoán. Xếp hạng quốc gia thì chúng ta chưa có khả năng thực hiện mà chỉ dành cho những tổ chức xếp hạng lớn như Moody’s, Stand and Poor hay Fitch,. Xếp hạng các công cụ đầu tư còn chưa được chú ý.

Vai trò của xếp hạng tín dụng Theo (S&P 2011) xếp hạng tín dụng có vai trò đối với các đối tượng sau: 1. Đối với ngân hàng thương mại * Hạn chế rủi ro tín dụng Rủi ro tín dụng thường chiếm tỷ trọng cao nhất trong hoạt động của ngân hàng thương mại, chính vì vậy khi khách hàng vay gặp phải rủi ro dẫn đến không trả được nợ cho ngân hàng thì sẽ ảnh hưởng ngay đến nguồn vốn hoạt động của ngân hàng đồng 19 thời lan tỏa sang các hoạt động khác mà thiệt hại lớn nhất là dẫn tới nguy cơ phá sản của ngân hàng. Để hạn chế rủi ro tín dụng bên cạnh các biện pháp truyền thống, thì xếp hạng tín dụng khách hàng là một công cụ hỗ trợ hữu hiệu trong việc ra quyết định cho vay. * Lựa chọn khách hàng Lựa chọn khách hàng để cấp tín dụng luôn là một quyết định quan trọng trong hoạt động tín dụng của ngân hàn.

Dựa vào cơ sở nào để ngân hàng quyết định cho vay hay từ chối cho vay? Khi xem xét quyết định cho vay ngân hàng thường căn cứ vào tài sản đảm bảo, phương án sản xuất kinh doanh, tình hình tài chính, khả năng trả nợ,.Tuy nhiên hiện nay bên cạnh các điều kiện như trên thì kết quả xếp hạng tín dụng cũng là một nhân tố quan trọng hỗ trợ cho việc lựa chọn được những khách hàng tốt, đem lại lợi nhuận cho ngân hàng. * Hỗ trợ hoạt động phân loại nợ và trích lập dự phòng rủi ro Theo điều 7 của quyết định 493/2005/QĐ-NHNN ngày 22/4/2005 về phân loại nơ, trích lập và sử dụng dự phòng thì hệ thống xếp hạng tín dụng nội bộ là căn cứ để tổ chức tín dụng phân loại nợ và xây dựng chính sách dự phòng rủi ro. Theo quy định này thì hiện các TCTD có thể sử dụng hai phương pháp phân loại nợ: phương pháp định lượng và phương pháp định tính. Trong đó phương pháp định lượng là phân loại nợ theo tuổi nợ, còn phương pháp định tính lại căn cứ dựa trên hệ thống XHTD nội bộ và chính sách dự phòng rủi ro của TCTD đó được NHNN chấp thuận.

Kết quả XHTD là điểm tổng hợp và tương ứng với các mức trên thang điểm là nhóm nợ tương ứng. Hệ thống xếp hạng hiệu quả sẽ hổ trợ cho việc sử dụng phương pháp định tính để xác định mức độ rủi ro của các khoản tín dụng, từ đó giúp phân loại nợ chính xác hơn, ước tính được tổn thất sẽ giúp trích lập dự phòng theo tỷ lệ phù hợp, gần với thông lệ quốc tế.