Ứng dụng mô hình logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại ngân hàng TMCP đầu tư và phát triển việt nam

LỜI CAM ĐOAN Tôi xin cam đoan luận văn thạc sĩ kinh tế “Ứng dụng mô hình Logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam” l

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH

-

NGUYỄN HOÀNG AN

ỨNG DỤNG MÔ HÌNH LOGIT ĐỂ ĐÁNH GIÁ KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP TẠI NGÂN HÀNG TMCP ĐẦU TƯ VÀ PHÁT TRIỂN VIỆT NAM

LUẬN VĂN THẠC SĨ KINH TẾ

TP.Hồ Chí Minh – Năm 2016

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HỒ CHÍ MINH

-

NGUYỄN HOÀNG AN

ỨNG DỤNG MÔ HÌNH LOGIT ĐỂ ĐÁNH GIÁ KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP TẠI NGÂN HÀNG TMCP ĐẦU TƯ VÀ PHÁT TRIỂN VIỆT NAM

Chuyên ngành: Tài chính – Ngân hàng

Mã số ngành: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ

Người hướng dẫn khoa học:

PGS.TS Trầm Thị Xuân Hương

TP.Hồ Chí Minh – Năm 2016

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn thạc sĩ kinh tế “Ứng dụng mô hình Logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam” là kết quả nghiên cứu của cá nhân tôi, được thực hiện trên cơ

sở nghiên cứu lý thuyết và thực tiễn dưới sự hướng dẫn khoa học của PGS.TS Trầm Thị Xuân Hương

Các thông tin, số liệu được sử dụng trong luận văn này là trung thực, tôi hoàn toàn chịu trách nhiệm về tính trung thực của đề tài nghiên cứu này

Tác giả luận văn

Nguyễn Hoàng An

DANH MỤC CÁC TỪ VIẾT TẮT

Chữ viết tắt Chữ viết đầy đủ

BCTC Báo cáo tài chính

BIDV Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam

CIC Credit Information Center – trung tâm thông tin tín dụng Ngân hàng

nhà nước

GDP Gross Domestic Product – Tổng sản phẩm quốc nội

KHDN Khách hàng doanh nghiệp

NHNN Ngân hàng Nhà nước

NHTM Ngân hàng thương mại

OLS Ordinary Least Squares – Mô hình hồi quy bình phương nhỏ nhất

TCTD Tổ chức tín dụng

TSĐB Tài sản đảm bảo

XHTD Xếp hạng tín dụng

2 Bảng 2.2 Cấu trúc dữ liệu các biến trong mô hình Logit 21

3 Bảng 2.3 Giải thích biến phụ thuộc trong mô hình đề xuất bởi

5 Bảng 3.2 Dư nợ tín dụng KHDN theo thành phần kinh tế 33

6 Bảng 3.3 Dư nợ tín dụng KHDN theo lĩnh vực kinh doanh 33

11 Bảng 3.8 Tỷ lệ chính xác của phương pháp đánh giá khả năng trả

nợ của KHDN tại BIDV tại thời điểm 31/12/2015 41

12 Bảng 4.1 Bảng tóm tắt các biến được sử dụng trong mô hình 49

13 Bảng 4.2 Bảng phân tích mẫu dữ liệu theo khả năng trả nợ của

14 Bảng 4.3 Bảng phân tích mẫu dữ liệu theo phân loại nợ tại BIDV 52

15 Bảng 4.4 Bảng phân bổ giá trị các biến định lượng trong mẫu dữ

16 Bảng 4.5 Bảng tóm lược kết quả mô hình hồi quy và các kiểm

DANH MỤC CÁC BIỂU ĐỒ

TT Số thứ tự

biểu đồ Tên biểu đồ Trang

1 Biểu đồ 2.1 Hệ thống hóa các mô hình đánh giá khả năng trả nợ

MỤC LỤC TRANG PHỤ BÌA

LỜI CAM ĐOAN

MỤC LỤC

DANH MỤC CÁC TỪ VIẾT TẮT

DANH MỤC CÁC BẢNG

DANH MỤC CÁC BIỂU ĐỒ

CHƯƠNG 1: GIỚI THIỆU 1

1.1 Giới thiệu vấn đề nghiên cứu 1

1.2 Sự cần thiết của vấn đề nghiên cứu 2

1.3 Mục tiêu nghiên cứu 3

1.4 Câu hỏi nghiên cứu 3

1.5 Đối tượng và phạm vi nghiên cứu 3

1.6 Phương pháp nghiên cứu 4

1.7 Kết cấu của luận văn 5

1.8 Ý nghĩa khoa học của đề tài nghiên cứu 5

Tóm tắt chương 1 6

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG VÀ MÔ HÌNH LOGIT 7

2.1 Giới thiệu chương 7

2.2 Nền tảng lý thuyết 7

2.2.1 Tổng quan về khả năng trả nợ của khách hàng doanh nghiệp 7

2.2.1.1 Khái quát về khả năng trả nợ của khách hàng 7

2.2.1.2 Những yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp 9

2.2.1.3 Ý nghĩa và vai trò của đánh giá khả năng trả nợ của khách hàng doanh nghiệp 13

2.2.2 Lý thuyết về mô hình Logit sử dụng trong việc đánh giá khả năng trả nợ của khách hàng 14 2.2.2.1 Một số mô hình tiêu biểu được sử dụng trong việc đánh giá khả năng trả nợ của khách hàng 14 2.2.2.2 Tổng quan mô hình Logit 21 2.3 Lược khảo các nghiên cứu trước có liên quan đến vấn đề nghiên cứu 24 2.3.1 Nghiên cứu của Irakli Ninua 24 2.3.2 Nghiên cứu Jiménez và Saurina 26 2.3.3 Nghiên cứu của Andrea Ruth Coravos 28 2.3.4 Nghiên cứu của Chiara Pederzoli, GridThoma, Costanza Torricelli 29 Tóm tắt chương 2 30 CHƯƠNG 3: THỰC TRẠNG KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP VÀ CÔNG TÁC ĐÁNH GIÁ KHẢ NĂNG TRẢ NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP TẠI NGÂN HÀNG TMCP ĐẦU TƯ VÀ PHÁT TRIỂN VIỆT NAM 31 3.1 Thực trạng hoạt động tín dụng khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam 31 3.2 Thực trạng khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam 34 3.3 Thực trạng đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam 35 3.3.1 Phương pháp đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam 35 3.3.1.1 Đánh giá dựa trên kết quả xếp hạng tín dụng nội bộ 35 3.3.1.2 Đánh giá dựa trên kết quả thẩm định tín dụng khách hàng trước, trong và sau cho vay 38 3.3.2 Thành tựu đạt được 39 3.3.3 Những mặt hạn chế 40

3.3.4 Các nguyên nhân gây ra hạn chế 41

3.3.4.1 Từ phía khách hàng 41

3.3.4.2 Từ phía BIDV 41

3.3.4.3 Từ phía NHNN Việt Nam 42

Tóm tắt chương 3 42

CHƯƠNG 4: PHƯƠNG PHÁP, DỮ LIỆU VÀ KẾT QUẢ NGHIÊN CỨU 43

4.1 Mô hình nghiên cứu 43

4.1.1 Lý do lựa chọn Mô hình Logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam 43

4.1.2 Xây dựng Mô hình Logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu Tư Và Phát Triển Việt Nam 43

4.2 Phương pháp xây dựng mô hình 44

4.2.1 Lựa chọn các biến cho mô hình nghiên cứu 44

4.2.2 Thu thập và xử lý dữ liệu 51

4.3 Thảo luận kết quả nghiên cứu 53

4.3.1 Kết quả hồi quy và kiểm định giả thiết 53

4.3.2 Giải thích ý nghĩa kết quả hồi quy 56

4.3.2.1 Biến lãi suất cho vay 56

4.3.2.2 Biến tỷ lệ TSĐB trên tổng dư nợ 57

4.3.2.3 Biến quy mô của khách hàng doanh nghiệp 57

4.3.2.4 Biến thời gian quan hệ với ngân hàng 57

4.3.2.5 Biến lịch sử quan hệ tín dụng 58

4.3.2.6 Biến tỷ lệ Doanh thu thuần/Tổng tài sản 58

Tóm tắt Chương 4 59

CHƯƠNG 5: KẾT LUẬN VÀ GIẢI PHÁP 60

5.1 Tóm tắt các kết quả nghiên cứu của đề tài 60

5.1.1 Những kết quả đạt được của nghiên cứu 60

5.1.2 Ý nghĩa khoa học của đề tài nghiên cứu 61

5.2 Giải pháp ứng dụng mô hình Logit nhằm đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV 61

5.2.1 Giải pháp nhằm nâng cao hiệu quả công tác đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV 61

5.2.1.1 Đối với lãi suất cho vay 61

5.2.1.2 Đối với chính sách về tài sản đảm bảo 62

5.2.1.3 Liên quan đến quy mô khách hàng 62

5.2.1.4 Về mối quan hệ giữa khách hàng – ngân hàng 63

5.2.1.5 Về lịch sử quan hệ của khách hàng 63

5.2.1.6 Về yếu tố doanh thu 63

5.2.2 Giải pháp ứng dụng mô hình Logit trong công tác đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV 64

5.3 Khuyến nghị đối với NHNN Việt Nam 64

5.4 Hạn chế của đề tài và gợi ý hướng nghiên cứu tiếp theo 65

5.4.1 Các hạn chế của đề tài nghiên cứu 65

5.4.2 Gợi ý hướng nghiên cứu tiếp theo 65

Tóm tắt chương 5 66

TÀI LIỆU THAM KHẢO

PHỤ LỤC

CHƯƠNG 1: GIỚI THIỆU

1.1 Giới thiệu vấn đề nghiên cứu

Hệ thống ngân hàng nói chung và hệ thống các NHTM nói riêng luôn là mắt xích quan trọng bậc nhất đối với nền kinh tế của một quốc gia Trong bối cảnh Việt Nam ở thời điểm hiện tại, hoạt động kinh doanh ngân hàng phát triển khá nhanh và

đa dạng Nhiều sản phẩm, dịch vụ ngân hàng ra đời nhằm đáp ứng kịp thời, đầy đủ hơn nhu cầu của khách hàng cũng như mang lại thêm doanh thu và lợi nhuận cho các NHTM Tuy nhiên, hoạt động tín dụng luôn giữ vai trò chủ đạo, là cốt lõi trong chiến lược kinh doanh của đa số các NHTM tại Việt Nam Có thể nói tín dụng là hoạt động mang lại nhiều lợi nhuận cho các NHTM nhưng cũng tiềm ẩn rất nhiều rủi ro

Trong bối cảnh nền kinh tế thế giới nói chung và hệ thống tài chính ngân hàng nói riêng đang phải gánh chịu dư âm từ cuộc khủng hoảng kinh tế thế giới, rất nhiều khó khăn, thử thách được đặt ra cho hệ thống ngân hàng như: xử lý nợ xấu, tái cơ cấu, gia tăng lợi nhuận… Trong đó, nợ xấu chính là vấn đề được quan tâm nhiều hơn cả Thực tế cho thấy, một trong những nguyên nhân gây ra tình trạng nợ xấu như trong thời gian vừa qua đến từ việc các NHTM chỉ tập trung tăng trưởng về quy mô

dư nợ nhằm tối đa hóa lợi nhuận mà chưa thật sự quan tâm và đầu tư cho việc xác định khả năng trả nợ của khách hàng Việc đánh giá khả năng trả nợ của khách hàng còn mang tính chủ quan, hình thức, không được xem xét và đánh giá đúng mức Một

số chỉ tiêu được sử dụng để đánh giá khả năng trả nợ khách hàng còn mang tính cứng nhắc, sơ sài, không phù hợp với tình hình thực tế và không được cập nhật, kiểm tra thường xuyên Đứng trước bài toán phải cân đối giữa gia tăng dư nợ vay và quản trị rủi ro trong hoạt động tín dụng; đòi hỏi các TCTD nói chung và các NHTM nói riêng phải tự hoàn thiện hệ thống đánh giá khả năng trả nợ của khách hàng, đặc biệt là các khách hàng doanh nghiệp – chiếm tỷ trọng lớn nhất trong tổng dư nợ cho vay nền kinh tế

Kết quả xếp hạng tín dụng khách hàng là yếu tố không thể thiếu trong quá trình thẩm định cấp tín dụng cho khách hàng, giúp NHTM có cơ sở để đánh giá khả năng trả nợ của khách hàng trong quan hệ tín dụng Ngân Hàng TMCP Đầu Tư Và Phát

Triển Việt Nam (BIDV) – một trong những NHTM hàng đầu Việt Nam đã ban hành

hệ thống xếp hạng tín dụng nội bộ đối với KHDN từ cuối năm 2006 nhằm bám sát chỉ đạo của NHNN về phân loại nợ và trích lập dự phòng (Quyết định số 493/2005/QĐ-NHNN ngày 22/04/2005 của Thống đốc NHNN Việt Nam) BIDV luôn không ngừng cải tiến quy trình xếp hạng tín dụng nhằm kiểm soát và giảm thiểu rủi ro trong hoạt động cấp tín dụng; tuy nhiên bản thân quy trình này vẫn mang nhiều nhược điểm, nhất là mang nặng tính chủ quan và định tính Từ đó làm ảnh hưởng đến khả năng dự báo của các NHTM nói chung hay BIDV nói riêng về khả năng trả nợ của khách hàng trong tương lai khi cơ sở cho các dự báo này phụ thuộc quá nhiều vào thông tin xếp hạng tín dụng

Vì các lý do trên, tác giả đã chọn đề tài: “Ứng dụng mô hình Logit để đánh

giá khả năng trả nợ của khách hàng doanh nghiệp tại Ngân Hàng TMCP Đầu

Tư Và Phát Triển Việt Nam” cho luận văn cao học

1.2 Sự cần thiết của vấn đề nghiên cứu

Bên cạnh xu hướng phát triển thị trường ngân hàng bán lẻ trong những năm qua, tín dụng dành cho khách hàng doanh nghiệp vẫn luôn chiếm tỷ trong cao nhất trong hoạt động kinh doanh của các NHTM cả về dư nợ và doanh số cho vay Bên cạnh đó, trong những năm qua, BIDV luôn là một trong những NHTM dẫn đầu về quy mô cho vay khách hàng doanh nghiệp tại Việt Nam Do đó, việc đánh giá đúng khả năng trả

nợ của khách hàng doanh nghiệp tại BIDV sẽ góp phần quan trọng nhằm hạn chế rủi

ro trong hoạt động cấp tín dụng của BIDV nói riêng và các NHTM tại Việt Nam nói chung Việc xây dựng mô hình đánh giá khả năng trả nợ của khách hàng doanh nghiệp cũng sẽ tạo tiền đề cho việc chuẩn hóa công tác quản trị rủi ro tín dụng tại các NHTM Bên cạnh đó, việc đánh giá đúng khả năng trả nợ của khách hàng doanh nghiệp

sẽ giúp các NHTM có cơ hội sàng lọc lại, tái thẩm định nền khách hàng của mình; từ

đó có những chính sách cấp tín dụng phù hợp với từng đối tượng khách hàng Tuy nhiên, việc đánh giá khả năng trả nợ của khách hàng doanh nghiệp còn chưa có nhiều nghiên cứu thực nghiệm và cập nhật các dữ liệu đến thời điểm hiện tại Do đó, học viên nhận thấy rằng trong thời điểm hiện nay, cũng cần có một nghiên cứu về các yếu

tố có ảnh hưởng tới khả năng trả nợ của khách hàng doanh nghiệp và ứng dụng mô hình định lượng trong việc đánh giá khả năng trả nợ của khách hàng doanh nghiệp

Từ đó giúp cho các ngân hàng xây dựng chính sách tín dụng phù hợp để gia tăng lợi nhuận bên cạnh việc quản trị tốt rủi ro tín dụng

1.3 Mục tiêu nghiên cứu

Luận văn có 4 mục tiêu nghiên cứu chính sau:

- Xác định các yếu tố tác động đến khả năng trả nợ của khách hàng doanh nghiệp

- Các phương pháp đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV

- Giới thiệu và ứng dụng mô hình Logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV

- Đưa ra một số giải pháp nhằm ứng dụng mô hình Logit trong công tác đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV

1.4 Câu hỏi nghiên cứu

- Các yếu tố nào ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp?

- Phương pháp đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV như thế nào?

- Việc ứng dụng mô hình Logit nhằm đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV được thực hiện như thế nào?

- Các giải pháp nào để ứng dụng mô hình Logit nhằm đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV?

1.5 Đối tượng và phạm vi nghiên cứu

- Đối tượng nghiên cứu: việc ứng dụng mô hình Logit nhằm đánh giá khả năng trả nợ của các khách hàng doanh nghiệp đang quan hệ tín dụng tại BIDV

- Phạm vi nghiên cứu là 500 khách hàng doanh nghiệp đang có quan hệ tín dụng tại BIDV và thuộc đối tượng được xếp hạng theo chương trình xếp hạng tín dụng nội bộ của BIDV

- Thời gian nghiên cứu: dữ liệu thống kê về khách hàng doanh nghiệp tại BIDV trong 4 năm gần đây (2013 – 2015)

1.6 Phương pháp nghiên cứu

Học viên sử dụng phương pháp chọn mẫu phi xác suất với kích thước mẫu gồm

500 khách hàng doanh nghiệp đảm bảo đại diện cho tổng thể khách hàng doanh nghiệp tại BIDV (hơn 200.000 khách hàng doanh nghiệp), thể hiện được đặc tính của các nhóm khách hàng Với dữ liệu thu thập được, học viên sử dụng kết hợp hai phương pháp nghiên cứu định tính và định lượng

- Phương pháp nghiên cứu định tính: Nghiên cứu sử dụng cách tiếp cận quy nạp

để đi đến những kết luận khái quát về các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp

- Phương pháp nghiên cứu định lượng:

 Nghiên cứu sử dụng phân tích thống kê mô tả nhằm đánh giá thực trạng công tác đánh giá khả năng trả nợ của các khách hàng doanh nghiệp tại BIDV và

sử dụng các dữ liệu thu thập được để tiến hành lập các bảng biểu nhằm so sánh phương pháp đánh giá khả năng trả nợ của các NHTM khác tại Việt Nam

 Nghiên cứu sử dụng phương pháp định lượng, sử dụng mô hình Logit để đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV thông qua phần mềm SPSS để kiểm định mối tương quan của các chỉ tiêu đối với khả năng trả nợ của doanh nghiệp, cụ thể như sau:

 Thu thập dữ liệu từ BCTC và các kế quả thống kê liên quan về các khách hàng doanh nghiệp đang có quan hệ tín dụng tại BIDV, kích thước mẫu bao gồm 500 doanh nghiệp được thống kê trong giai đoạn 2013 – 2015 Các doanh nghiệp được chọn bao gồm các tổng công ty nhà nước, công ty

cổ phần, công ty TNHH, công ty hợp danh, doanh nghiệp tư nhân, công ty

có vốn đầu tư nước ngoài,… đại diện cho tổng thể nghiên cứu

 Để đảm bảo khả năng tin cậy cho mô hình nghiên cứu, tác giả thực hiện 3 kiểm định chính: kiểm định tương quan từng phần của hệ số hồi quy, kiểm định mức độ phù hợp của mô hình và kiểm định mức độ giải thích của mô hình Trên cơ sở đó, tác giả tiến hành giải thích các kết quả hồi quy, xác

định các yếu tố có ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp tại BIDV, chiều hướng ảnh hưởng cũng như mức độ tác động của các yếu tố đó Cuối cùng, tác giả tiến hành xây dựng mô hình đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV

1.7 Kết cấu của luận văn

Luận văn bao gồm 5 chương:

Chương 1: Giới thiệu

Chương 2: Cơ sở lý thuyết về khả năng trả nợ của khách hàng và mô hình Logit

trong đánh giá khả năng trả nợ của khách hàng

Chương 3: Thực trạng công tác đánh giá khả năng trả nợ của khách hàng doanh

nghiệp tại BIDV

Chương 4: Mô hình nghiên cứu, dữ liệu và kết quả nghiên cứu

Chương 5: Kết luận và gợi ý giải pháp

1.8 Ý nghĩa khoa học của đề tài nghiên cứu

Trong giai đoạn hiện tại, bên cạnh việc đặt mục tiêu gia tăng doanh số, tăng trưởng lợi nhuận thì các NHTM cũng phải đảm bảo an toàn trong hoạt động kinh doanh của mình, nhất là hoạt động tín dụng – rủi ro nhất và cũng đem lại nhiều lợi nhuận nhất cho các NHTM Để làm được điều đó, các NHTM cần đặc biệt quan tâm đến việc đánh giá khả năng trả nợ của khách hàng nói chung và các khách hàng doanh nghiệp nói chung

Việc sử dụng mô hình định lượng nói chung và mô hình Logit nói riêng sẽ giúp các BIDV cũng như các NHTM khác tại Việt Nam có được một công cụ đánh giá khả năng trả nợ của khách hàng doanh nghiệp hiệu quả và chính xác hơn các phương pháp định tính vốn dựa chủ yếu vào kết quả xếp hạng tín dụng hiện tại Từ một số giải pháp ứng dụng mô hình Logit cho trường hợp của BIDV; các NHTM tại Việt Nam cũng

có thể ứng dụng mô hình định tính trong công tác đánh giá khả năng trả nợ của khách hàng doanh nghiệp Qua đó, các NHTM Việt Nam có thể quản trị tốt hơn rủi ro trong hoạt động cấp tín dụng của mình, đảm bảo an toàn cho hệ thống ngân hàng và hướng tới sự phát triển bền vững trong tương lai

Tóm tắt chương 1

Chương 1 đã khái quát về tầm quan trọng và sự cần thiết của việc thực hiện một nghiên cứu về các yếu tố có ảnh hưởng đến sự ổn định tài chính của các NHTM Việt Nam Ngoài ra, chương 1 cũng đã trình bày về mục tiêu , câu hỏi và phương pháp nghiên cứu để tạo tiền đề cho việc đánh giá khả năng trả nợ của khách hàng doanh nghiệp tại BIDV sau đó áp dụng mô hình Logit trong việc phân tích và nghiên cứu các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ KHẢ NĂNG TRẢ NỢ CỦA

KHÁCH HÀNG VÀ MÔ HÌNH LOGIT

2.1 Giới thiệu chương

Trong hoạt động tín dụng của các NHTM, cụ thể hơn là từng khoản cho vay; điều quan trọng bậc nhất đó là phải thu hồi vốn vay sau thời hạn cho vay Sau khi trải qua quá trình thẩm định và phê duyệt cho vay, hầu hết các NHTM khi cho vay đều

kỳ vọng không chỉ thu hồi được nợ vay mà hơn nữa đó là thu được lãi cho vay để trang trải chi phí hoạt động và mang lại lợi nhuận cho hoạt động kinh doanh Tuy nhiên, trên thực tế thì không phải lúc nào các NHTM đều có thể đạt được mục đích của mình bởi mỗi khoản cho vay đều tiềm ẩn rủi ro người vay không thể thanh toán được nợ vay đầy đủ, đúng hạn Đó chính là rủi ro tín dụng – một loại rủi ro luôn tồn tại mà các NHTM luôn phải tìm cách kiểm soát và hạn chế Để làm được điều đó, đòi hỏi các NHTM cần đánh giá và đo lường khả năng trả nợ của khách hàng Từ việc hiểu rõ các quan điểm về khả năng trả nợ của khách hàng cũng như các yếu tố tác động đến khả năng trả nợ của khách hàng, bài nghiên cứu cũng sẽ giới thiệu tổng quan mô hình Logit nhằm đánh giá khả năng trả nợ của khách hàng

2.2 Nền tảng lý thuyết

2.2.1 Tổng quan về khả năng trả nợ của khách hàng doanh nghiệp

2.2.1.1 Khái quát về khả năng trả nợ của khách hàng

Trước khi xác định của yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng,

ta cần có cái nhìn tổng quan về khả năng trả nợ của khách hàng cũng như hiểu rõ các quan điểm về khả năng trả nợ của khách hàng Hiện tại, trên thế giới và tại Việt Nam chưa có khái niệm thống nhất về khả năng trả nợ của khách hàng mà chỉ tập trung vào các trạng thái, biểu hiện của khách hàng trong quan hệ tín dụng với ngân hàng như: không có khả năng trả nợ, mất khả năng trả nợ, vỡ nợ,… hoặc gián tiếp thông qua các đơn vị đo lường gián tiếp như: tỷ số khả năng trả nợ, các hệ số khả năng thanh toán Thông qua việc xác định khách hàng không có khả năng trả nợ, các khách hàng còn lại thuộc trường hợp có khả năng trả nợ Trong hoạt động cấp tín dụng, khả năng trả nợ của khách hàng – bên được cấp tín dụng, được hiểu là khả năng một khách

hàng có thực hiện đầy đủ và đúng hạn nghĩa vụ cho ngân hàng – bên cấp tín dụng như đã thỏa thuận trong thời gian quan hệ tín dụng hay không

Cũng có một số nhà nghiên cứu xây dựng quan điểm của mình đối với tình trạng

“không có khả năng trả nợ” hay khả năng "không trả được nợ” của một khách hàng Theo R3 – Hiệp Hội các chuyên gia phục hồi kinh doanh (2008)1 định nghĩa về

khả năng “không trả được nợ” của khách hàng doanh nghiệp như sau: “Một công ty

được xem là không có khả năng trả nợ nếu tài sản của họ ít hơn nợ phải trả hoặc nếu

họ không thể thanh toán các khoản nợ khi đến hạn phải trả”

Các nhà nghiên cứu thuộc Công ty kiểm toán PwC (2009)2 đã định nghĩa tình

trạng “không có khả năng trả nợ” của một doanh nghiệp như sau: “Một công ty lâm

vào tình trạng không có khả năng trả nợ khi công ty đó không có đủ tài sản để bù đắp các khoản nợ của mình và/hoặc không thể thanh toán các khoản nợ đến hạn”

Theo tài liệu của Uỷ ban Basel về giám sát ngân hàng (2006)3, tình trạng “không

có khả năng trả nợ – default” phát sinh khi một hoặc tất cả các điều kiện sau đây xảy ra: “(i) Khách hàng không có khả năng thực hiện đầy đủ nghĩa vụ tài chính khi đến hạn mà chưa tính đến việc ngân hàng phải xử lý tài sản (nếu có); (ii) Khách hàng có

nợ quá hạn trên 90 ngày đối với khoản vay bất kỳ tại các tổ chức tín dụng”

Từ các khái niệm tiêu biểu trên, học viên thống nhất với quan điểm của Basel

về khả năng trả nợ của khách hàng thông qua tình trạng “không có khả năng trả nợ”

Có thể thấy việc khách hàng “không có khả năng trả nợ” liên hệ khá mật thiết với thời gian quá hạn của một hay tất cả các khoản vay của một khách hàng Hay nói cách khác, khả năng trả nợ của khách hàng có quan hệ khá mật thiết với kết quả phân loại

nợ đối với các khoản vay của khách hàng Tuy nhiên, khả năng trả nợ của khách hàng theo Basel chỉ đề cập đến thời gian quá hạn của khoản vay chứ không đề cập đến các

1 R3 – The Association of Business Recovery Professionals, 2008 Understanding Insolvency

2 PricewaterhouseCoopers, 2009 Insolvency in brief – A guide to insolvency terminology and procedure

3 Basel Committee on Banking Supervision, 2006 International Convergence of Capital Measurement and Capital Standards – A Revised Framework Comprehensive Version.

khoản nợ được cơ cấu, kết quả đánh giá khả năng trả nợ sau cơ cấu cũng như tình trạng khoản vay sau đó

Bảng 2.1: Phân loại nợ và khả năng trả nợ của khách hàng theo Basel Tình trạng

khách hàng Thời gian quá hạn Phân loại nợ

- Có nợ quá hạn trên 90 ngày

- Nợ cơ cấu đã quá hạn

Nợ nhóm 3, 4, 5 (Nợ xấu)

Nguồn: Tổng hợp theo Quyết định 493/2005/QĐ-NHNN ngày 22/04/2005, các văn bản sửa đổi bổ sung về phân loại nợ, trích lập và sử dụng dự phòng; tài liệu của Basel

2.2.1.2 Những yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp

a Yếu tố liên quan đến môi trường vĩ mô

Khả năng trả nợ của KHDN chịu tác động nhất định từ môi trường vĩ mô như: chu kỳ kinh tế; chỉ số lạm phát, thất nghiệp; tăng trưởng GDP; chính sách tài khóa – tiền tệ; … Trong giai đoạn kinh tế tăng trưởng và các điều kiện vĩ mô thuận lợi, các doanh nghiệp dễ dàng hơn trong việc hoàn trả nợ vay từ các NHTM do các cơ hội đầu tư tăng lên và triển vọng kinh doanh thuận tốt hơn Ngược lại, trong giai đoạn nền kinh tế suy thoái và các tình hình vĩ mô diễn biến xấu đi, các doanh nghiệp sẽ gặp khó khăn hơn trong hoạt động kinh doanh, từ đó ảnh hưởng tiêu cực đến khả năng hoàn trả nợ vay

b Yếu tố liên quan đến khách hàng doanh nghiệp

 Ngành nghề kinh doanh

Hoạt động kinh doanh luôn tiềm ẩn nhiều rủi ro và mỗi ngành nghề, lĩnh vực đều đối mặt với những rủi ro khác nhau có thể dẫn đến thất bại, phá sản Điều này có thể được thấy rõ qua việc một số ngành nghề kinh doanh phải đáp ứng những điều kiện khắt khe về vốn pháp định, cơ sở vật chất như chứng khoán, bất động sản, hàng không, do tính chất những lĩnh vực này đòi hỏi vốn đầu tư lớn, thời gian thu hồi vốn dài Lại có những ngành nghề rất nhạy cảm với biến động của môi trường kinh doanh hay thị hiếu của người tiêu dùng như: thời trang, ẩm thực,… Việc phải đối mặt với những rủi ro kinh doanh khác nhau dẫn đến khả năng trả nợ của các ngành nghề, lĩnh vực kinh doanh cũng khác nhau Nghiên cứu của Jiménez và Saurina (2003); Irakli Ninua (2008) đã chỉ ra rằng ngành nghề kinh doanh, lĩnh vực hoạt động

có ảnh hưởng đến khả năng trả nợ của KHDN, nhất là đối với các KHDN hoạt động trong ngành sản xuất so với những ngành còn lại

 Quy mô doanh nghiệp

Khả năng trả nợ của khách hàng ở một khía cạnh nào đó cũng phụ thuộc vào quy mô doanh nghiệp Những doanh nghiệp có quy mô lớn, tài sản lớn cũng đồng nghĩa với việc khả năng chịu đựng tốt hơn với những biến động của thị trường, môi trường kinh doanh so với các doanh nghiệp có quy mô nhỏ hơn, nhất là khả năng thanh toán các nghĩa vụ nợ cũng tốt hơn Tuy nhiên, trong một số trường hợp, các doanh nghiệp có quy mô lớn vẫn có thể gặp phải tình trạng mất khả năng thanh toán

Đó là khi bên cạnh yếu tố quy mô, doanh nghiệp còn phải đồng thời gặp phải những vấn đề khác tác động xấu đến hoạt động kinh doanh Ngoài ra, quy mô cũng là một trong những yếu tố đầu vào đầu tiên khi xếp hạng tín dụng KHDN tại các NHTM và thường được biểu hiện qua nhiều yếu tố như: Doanh thu thuần, vốn chủ sở hữu, số lượng lao động,…

nợ của doanh nghiệp trong quá trình vay vốn, … Độ tin cậy càng cao càng giúp làm giảm thiểu đáng kể rủi ro doanh nghiệp không thanh toán được các nghĩa vụ nợ của mình

 Khả năng tài chính

Các chỉ tiêu về tài chính luôn là yếu tố được các NHTM quan tâm hàng đầu như: chỉ tiêu về khả năng thanh toán, chỉ tiêu về lợi nhuận, chỉ tiêu cân nợ, chỉ tiêu hoạt động Và các chỉ tiêu này cũng được sử dụng phần lớn trong việc đánh giá khả năng trả nợ của khách hàng và các nghiên cứu về rủi ro tín dụng Các doanh nghiệp

có các chỉ tiêu về tài chính tốt trên thực tế và cả trong nghiên cứu thực nghiệm thường

có khả năng trả nợ tốt hơn Hầu hết các nghiên cứu trên thế giới đều sử dụng các chỉ tiêu tài chính làm biến độc trong phân tích và kết quả thực nghiệm cho thấy một số chỉ tiêu tài chính có tác động mạnh mẽ đến khả năng trả nợ của KHDN, một số nghiên cứu tiêu biểu sẽ được trình bày ở phần sau Ngoài ra, các chỉ tiêu tài chính cũng cấu thành điểm tài chính – vốn chiếm vai trò quan trọng trong kết quả XHTD tại các NHTM

c Yếu tố liên quan đến khoản vay

 Thời gian vay

Thời gian vay cũng phản ánh rủi ro của một khoản vay, thông thường các khoản vay có kỳ hạn dài thường phải chịu lãi suất cao hơn các khoản vay có kỳ hạn ngắn do ngân hàng phải chịu nhiều chi phí cơ hội hơn khi thời gian thu hồi vốn kéo dài Thời gian cho vay phù hợp với vòng quay vốn, dòng tiền của doanh nghiệp giúp doanh nghiệp chủ động hơn trong việc thanh toán các nghĩa vụ nợ khi đến hạn qua đó làm giảm bớt rủi ro tín dụng Nghiên cứu tiêu biểu của Andrea Ruth Coravos (2010) cũng chỉ rõ thời hạn vay có tác động ngược chiều với khả năng trả nợ của khách hàng

 Lãi suất:

Trong hoạt động tín dụng, ngân hàng thường định giá mức độ rủi ro từ khoản vay một khách hàng thông qua lãi suất Nói cách khác, lãi suất chính là giá cả của tín dụng Khách hàng có rủi ro tín dụng cao hơn phải trả lãi suất cao hơn và ngược lại Bên cạnh đó, lãi suất cũng quyết định đến chi phí lãi vay của doanh nghiệp, nếu biết

sử dụng đúng cách sẽ có tác dụng như một đòn bẩy làm gia tăng doanh thu và lợi nhuận Ngược lại, chi phí lãi vay có thể ảnh hưởng trực tiếp đến nguồn trả nợ của doanh nghiệp và trở thành gánh nặng trong hoạt động kinh doanh của doanh nghiệp Tuy nhiên, có một số quan điểm trái chiều về tác động của lãi suất đến khả năng trả

nợ của KHDN Đa số các nghiên cứu đều chỉ ra rằng lãi suất có mối quan hệ cùng chiều với khả năng trả nợ của KHDN nhưng nghiên cứu của Jiménez và Saurina (2003) lại khẳng định điều ngược lại

nợ của KHDN

d Các yếu tố liên quan đến nội tại các ngân hàng thương mại

Một số yếu tố nội bộ của các NHTM có thể kể đến như: chất lượng nguồn nhân lực, quy trình cấp tín dụng, quy trình quản trị rủi ro Một NHTM có đội ngũ nhân viên tín dụng có trình độ, kỹ năng chuyên môn tốt sẽ thu thập và xử lý thông tin của KHDN cũng như có những đánh giá khách quan hơn nhằm sàng lọc KHDN, tránh mắc sai lầm khi lựa chọn những KHDN có khả năng trả nợ kém Bên cạnh đó, quy trình tín dụng chặt chẽ, hợp lý và rõ ràng vừa giúp thu hút khách hàng quan hệ tín dụng, vừa đảm bảo khả năng giám sát hoạt động kinh doanh của KHDN, lường trước được những rủi ro có thể xảy ra trong quá trình quan hệ tín dụng của KHDN; qua đó góp phần làm giảm khả năng KHDN không trả được nợ Ngoài ra, một NHTM xây dựng được quy trình quản trị rủi ro hiệu quả sẽ giúp nhận diện kịp thời những dấu

hiệu khi KHDN suy giảm khả năng trả nợ và làm giảm thiểu đến mức thấp nhất những tổn thất khi rủi ro tín dụng xảy ra để bảo toàn lợi nhuận trong hoạt động kinh doanh của NHTM

2.2.1.3 Ý nghĩa và vai trò của đánh giá khả năng trả nợ của khách hàng doanh nghiệp

Ủy Ban Basel (2004)4 đã xây dựng “Hiệp ước quốc tế về tiêu chuẩn vốn và đo lường rủi ro” hay còn gọi là Hiệp ước Basel II nhằm nhấn mạnh tầm quan trọng của việc quản trị rủi ro tín dụng và đo lường rủi ro tín dụng Theo yêu cầu của Hiệp ước Basel II, các NHTM sẽ sử dụng các mô hình dựa trên hệ thống dữ liệu nội bộ để xác định tổn thất dự tính (EL: Expected Loss) Phương pháp đánh giá dựa trên xếp hạng nội bộ (IRB) đưa ra khái niệm tổn thất mất vốn do khách hàng không trả được nợ được tính toán cụ thể như sau: Tổn thất dự kiến (EL: Expected Loss) = PD * EAD * LGD, từ đó tính được yêu cầu về vốn cho các rủi ro tín dụng Bên cạnh các yếu tố như: tỷ lệ tổn thất ước tính (LGD: Loss Given Default), tổng dư nợ của khách hàng tại thời điểm khách hàng không trả được nợ (EAD: Exposure at Defaul); thì xác suất khách hàng không trả được nợ (PD - Probability of Default) được xem như yếu tố quan trọng trong quá trình phê duyệt tín dụng, quản lý rủi ro tín dụng, phân bổ nguồn vốn cho vay và quản trị ngân hàng Cụ thể hơn, kết quả đánh giá khả năng trả nợ của KHDN có thể được ứng dụng vào:

- Hỗ trợ phê duyệt tín dụng: cải thiện tính chính xác và đảm bảo cơ sở cho việc

ra quyết định cấp tín dụng, cung cấp phương tiện hỗ trợ để quá trình phê duyệt nên hiệu quả, tiết kiệm thời gian, chi phí và giảm bớt sự can thiệp chủ quan từ con người

- Thực hiện quản trị rủi ro tín dụng: là một công cụ để đánh giá mức độ rủi ro của khách hàng và khoản vay của khách hàng Bên cạnh đó, việc đánh giá khả năng trả nợ của KHDN là căn cứ độc lập để các NHTM đánh giá hiệu quả của quá trình quản trị rủi ro, tạo tiền đề cho việc giám sát sau cho vay và tăng cường khả

4 Basel Committee on Banking Supervision, 2004 International Convergence of Capital Measurement and Capital Standards – A Revised Framework.

năng sớm nhận diện rủi ro cho các NHTM Bên cạnh đó, mức độ trích lập dự phòng các khoản cấp tín dụng cũng phụ thuộc vào mức độ rủi ro của khoản tín dụng đó

- Hỗ trợ định giá tiền vay: mức giá hay cụ thể ở đây là mức phí và lãi suất áp dụng cho khoản tín dụng phải phù hợp và đủ để bồi đắp cho tổn thất tín dụng có thể phát sinh Đánh giá khả năng trả nợ của khách hàng để từ đó phân loại các mức độ rủi ro khác nhau đối với từng đối tượng, khoản vay cụ thể và là một trong những căn cứ đáng tin cậy để định giá tiền vay theo nguyên tắc khách hàng có rủi ro không trả được nợ cao áp dụng mức giá cao và ngược lại

- Hỗ trợ quản lý khách hàng: Những khoản vay có mức độ rủi ro cao cần phải thường xuyên được kiểm soát, đánh giá; những khách hàng vay được đánh giá

là có khả năng trả nợ thấp hoặc suy giảm khả năng trả nợ cần phải được đặc biệt chú trọng theo dõi và kiểm tra định kỳ Ngược lại, những khách hàng tốt với khả năng trả nợ cao sẽ được ưu ái hơn trong các quan hệ giao dịch tín dụng hay phi tín dụng

- Hỗ trợ hiệu quả cho hệ thống xếp hạng tín dụng: dữ liệu đưa vào hệ thống xếp hạng tín dụng là rất phong phú liên quan đến khoản vay và hoạt động kinh doanh của khách hàng Thông tin đầu vào và kết quả XHTD hiện tại của khách hàng

có thể là cơ sở tham khảo cho việc đánh giá khả năng trả nợ của khách hàng trong tương lai

2.2.2 Lý thuyết về mô hình Logit sử dụng trong việc đánh giá khả năng trả nợ của khách hàng

2.2.2.1 Một số mô hình tiêu biểu được sử dụng trong việc đánh giá khả năng trả

nợ của khách hàng

Phương pháp xác định khả năng trả nợ của khách hàng thường được dựa trên một tiêu chuẩn nhất định do ngân hàng lựa chọn như dựa trên đặc điểm của khách hàng như năng lực tài chính, thiện chí trả nợ của khách hàng khi chưa phát sinh nghĩa

vụ nợ hoặc/và dựa trên đặc điểm của khoản nợ như lịch sử thanh toán nợ, tình trạng trả nợ thực tế của khách hàng Kết quả đánh giá khả năng trả nợ của khách hàng luôn

thay đổi trong suốt thời gian quan hệ tín dụng, nên mô hình đo lường khả năng trả nợ thường được giới hạn dự báo kết quả trong ngắn hạn (trong 1 năm)

Trong các mô hình đánh giá khả năng trả nợ của khách hàng thường được sử dụng, không có một mô hình nào được xem là toàn diện hay tốt nhất Các NHTM có thể sử dụng kết hợp các mô hình để tìm ra mô hình phù hợp nhất Theo tài liệu hợp tác nghiên cứu của Ngân hàng Oesterreichische Nationalbank và Cơ quan Giám sát Tài chính Áo – FMA (2004)5

Biểu đồ 2.1: Hệ thống hóa các mô hình đánh giá khả năng trả nợ của khách hàng

Nguồn: Tổng hợp theo Guidelines on Credit risk management: Rating Model and Validation

5 Oesterreichische Nationalbank (OeNB) & the Financial Market Authority (FMA), 2004 Guidelines

on Credit risk management: Rating Model and Validation

Các mô hình đánh giá khả năng trả nợ của KHDN

Phân tích phân tách

Mô hình hồi quy

Mô hình mạng nơ ron

Mô hình nhân quả (Causal models)

Mô hình định giá quyền chọn

Mô hình dòng tiền

a Mô hình phỏng đoán (Heuristic models)

Mô hình phỏng đoán là mô hình thực hiện thu thập dữ liệu về những sự kiện trong quá khứ của quá trình cấp tín dụng nhằm đưa ra đánh giá, dự báo về mức độ tín nhiệm của khách hàng Do đó, hiệu quả của mô hình phỏng đoán phụ thuộc vào tính chính xác của việc đánh giá, tổng kết dữ liệu quá khứ của các chuyên gia Có rất nhiều loại mô hình phỏng đoán và được chia thành:

- Bảng câu hỏi cổ điển (Classic rating Questionnaires)

- Mô hình định tính (Qualitative Systems)

- Mô hình chuyên gia (Expert Systems)

- Mô hình Fuzzy logic (Fuzzy logic Systems)

Ưu nhược điểm

- Ưu điểm: mô hình căn cứ trên thông tin về lịch sử quan hệ giữa ngân hàng và khách hàng để đưa ra nhận định về khả năng trả nợ của khách hàng đó trong tương lai

- Nhược điểm: Độ chính xác của dự đoán về khả năng trả nợ của KHDN phụ thuộc vào quan điểm của chuyên gia cũng như tính chính xác của thông tin thu thập được Ngoài ra, việc lựa chọn những yếu tố đưa vào mô hình cũng như mức độ quan trọng của từng chỉ tiêu đánh giá cũng mang nặng tính chủ quan của chuyên gia

b Mô hình thống kê (Statistical models):

Nếu như Mô hình phỏng đoán phụ thuộc nhiều vào quan điểm của các chuyên gia tín dụng thì mô hình thống kê thường chứng minh và làm sáng tỏ các giả thiết thông qua các quy trình thống kê từ dữ liệu nghiên cứu thực nghiệm Trong quá trình đánh giá khả năng trả nợ của một khách hàng, các mô hình thống kê sẽ xây dựng các giả thiết dựa trên các yếu tố được dự đoán là có liên quan đến khả năng trả nợ của khách hàng Từ đó đánh giá mức độ cao, thấp của từng yếu tố được kỳ vọng sẽ tác động đến tình trạng trả được nợ hay không trả được nợ của khách hàng và tình trạng này được xác định từ đầu dựa trên cơ sở dữ liệu đầu vào Do đó, giả thuyết ban đầu

về sự ảnh hưởng của từng yếu tố có thể được chấp nhận hoặc bị bác bỏ Sau đây là một số mô hình thống kê được áp dụng phổ biến:

 Mô hình phân tích phân biệt (Dirciminant Analysis models)

Đây là mô hình nhằm phân biệt khách hàng có hoặc không có khả năng trả nợ một cách chính xác nhất có thể bằng cách sử dụng một hàm số chứa đựng những tiêu chuẩn độc lập có ảnh hưởng đến khả năng trả nợ của khách hàng, như các chỉ tiêu tài chính, phi tài chính của một KHDN Ở dạng đơn giản nhất, mô hình phân tích biệt thức sẽ xây dựng một tổ hợp tuyến tính có trọng số dưới sự kết hợp của các biến nhằm phân biệt rõ ràng và khách quan nhất có thể giữa trường hợp tốt và trường hợp xấu Tiêu biểu của dạng mô hình này có thể kể đến Mô hình điểm số Z của Altman (1968)6nhằm dự đoán khả năng vỡ nợ của khách hàng Đến nay hầu hết các nước vẫn còn sử dụng vì độ tin cậy khá cao của nó Trị số Z càng cao, thì xác suát vỡ nợ của khách hàng càng thấp và ngược lại Từ đó Altman đã xây dựng mô hình điểm trong các trường hợp cụ thể đối với từng loại hình doanh nghiệp

Ưu nhược điểm:

- Ưu điểm: Mô hình tương đối đơn giản, dễ áp dụng và được sử dụng khá rộng rãi trên thế giới

- Nhược điểm: Khi sử dụng các chỉ tiêu phi tài chính liên quan đến khả năng trả

nợ của khách hàng để đưa vào mô hình ta cần đặt biệt chú ý rằng chúng không tuân theo quy luật phân phối chuẩn thông thường và có thể gây ảnh hưởng đến

ý nghĩa của mô hình Do đó, mô hình phân tích phân biệt chỉ thực sự phù hợp cho việc sử dụng các chỉ tiêu tài chính Tuy nhiên, một số nghiên cứu trên thế giới cũng chỉ ra rằng, việc xử lý dữ liệu liên quan đến các chỉ tiêu phi tài chính một cách phù hợp có thể thảo mãn các điều kiện tiên quyết về dạng phân phối khi sử dụng mô hình phân tích phân biệt Bên cạnh đó, Mô hình chỉ số Z được xây dựng chỉ áp dụng cho các công ty Mỹ và một số ngành nghề cụ thể, không chắc chắn phù hợp tại các nước khác

6 Edward I Altman, 1968 Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy The Journal of Finance

 Mô hình hồi quy (Regression models)

Trong nhiều trường hợp, phương pháp lựa chọn rời rạc được lựa chọn thay cho phương pháp liên tục nhằm xây dựng mô hình với dữ liệu rời rạc Khả năng trả nợ của KHDN có thể phụ thuộc vào các yếu tố Nếu sử dụng mô hình tuyến tính cổ điển, ước lượng sẽ không hiệu quả do giả thuyết về phương sai đồng nhất của sai số bị vi phạm Đối với mô hình hồi quy phi tuyến như Logit hay Probit các tham số được ước lượng bằng phương pháp hợp lý cực đại, nghĩa là tìm các giá trị của tham số cần ước lượng để hàm loga hợp lý đạt giá trị cao nhất Hai mô hình hồi quy thường được sử dụng trong các nghiên cứu về khả năng trả nợ hay phá sản của KHDN trên thế giới

là Logit và Probit

 Mô Hình Logit

Mô hình Logit là mô hình hồi quy phi tuyến trong đó biến phụ thuộc là biến nhị phân, chỉ nhận 2 giá trị là 0 hoặc 1 Mô hình này có thể giúp các NHTM xác định khả năng trả nợ của KHDN (có hoặc không) thông qua các yếu tố có ảnh hưởng (các biến độc lập) Cấu trúc dữ liệu và mô hình tổng quát như sau:

Ln[𝑃(𝑌=1)

𝑃 (𝑌=0)] = 𝛽0 + 𝛽1X1 + 𝛽2X2 + 𝛽3X3 + … + 𝛽nXn

Trong đó:

 P(Y=1) = P0: Xác suất khách hàng có khả năng trả nợ

 P(Y=0) = 1 – P0: Xác suất khách hàng không có khả năng trả nợ

Ưu nhược điểm:

- Ưu điểm: Mô hình Logit và Probit đều dựa trên ước lượng hợp lý tối đa Sự khác nhau trong giả định về hàm phân phối xác suất giữa mô hình Logit và Probit là mô hình Logit sử dụng hàm phân phối logit chuẩn, trong khi Probit giả định hàm phân phối chuẩn chuẩn hóa Tuy nhiên, mức độ phức tạp của 2 mô hình này cũng ít hơn các mô hình định lượng khác Do đó, cả mô hình Logit và Probit được sử dụng rất rộng rãi trong các nghiên cứu về rủi ro tín dụng cũng như XHTD

- Nhược điểm: Đòi hỏi số lượng dữ liệu, mẫu quan sát phải đủ lớn

 Mô hình mạng nơron thần kinh (Neural Network Models):

Mạng nơron thần kinh là một kỹ thuật phân tích khác để xây dựng mô hình dự báo rủi ro tín dụng cũng như khả năng trả nợ của KHDN Mạng nơron thần kinh có thể bắt chước và nhận thức được các trạng thái thực đối với dữ liệu đầu vào không đầy đủ hoặc dữ liệu với một số lượng biến rất lớn Nói cách khác, mô hình này sử dụng công nghệ thông tin nhằm mô phỏng cách thức tiếp nhận thông tin của bộ não con người, vốn chứa đựng rất nhiều nơron được kết nối có hệ thống với nhau Các nơron nhận được tín hiệu thông qua các liên hợp thần kinh này, phân tích thông tin

và chuyển tín hiệu mới đến các nơron khác Mô hình Mạng nơron thần kinh chứa đựng lớp đầu vào, lớp nội bộ và lớp đầu ra nhằm xử lý dữ liệu

Ưu nhược điểm:

- Ưu điểm: Mô hình này đặc biệt phù hợp với mô hình dự báo mà không có công thức toán học nào mô tả mối quan hệ giữa các biến đầu vào và đầu ra hay nói cách khác nó giúp giải quyết triệt để mối quan hệ phi tuyến giữa các biến Mô hình ước lượng dựa trên mô hình mạng nơron được nhiều nghiên cứu xem là tốt hơn mô hình Logit và Probit, sau đó mới là phương pháp phân tích biệt số DA

- Nhược điểm: Mô hình đòi hỏi dữ liệu đầu vào và số lượng biến lớn; quy trình

áp dụng cũng rất phức tạp, đòi hỏi nhiều điều kiện thực nghiệm khắt khe và chưa phổ biến ở nhiều quốc gia, trong đó có Việt Nam

c Mô hình nhân quả (Causal Models)

Mô hình quan hệ nhân quả trong phân tích khả năng trả nợ của KHDN rút ra mối quan hệ trực tiếp với các yếu tố ảnh hưởng dựa trên các dữ liệu tài chính Điều này có nghĩa là các phương pháp thống kê không được sử dụng để kiểm định giả thuyết

 Mô hình định giá quyền chọn (Option pricing Models):

Phương pháp tiếp cận này giúp đánh giá rủi ro tín dụng qua các đặc điểm cơ bản của từng giao dịch cụ thể mà không cần xem xét đến lịch sử rủi ro trong quá khứ Do

đó, mô hình này được xem là phù hợp hơn trong trường hợp thiếu hoặc không đủ các

dữ liệu về trường hợp KHDN không có khả năng trả nợ để tiến hành các mô hình định lượng như phân tích phân biệt hay hồi quy Logit Tuy nhiên, phương pháp này đòi hỏi dữ liệu về giá trị thị trường của nợ và vốn chủ sở hữu, và đặc biệt là các biến động về tài sản Ý tưởng chính của Mô hình định giá quyền chọn là KHDN không có khả năng trả nợ sẽ xảy ra khi giá trị tài sản của KHDN giảm xuống dưới giá trị của khoản nợ

 Mô hình lưu chuyển tiền tệ (Cash Flow Models):

Mô hình này đặc biệt thích hợp để đánh giá khả năng trả nợ cho các giao dịch cho vay đặc thù như nguồn trả nợ của khách hàng phụ thuộc các dòng tiền phát sinh

từ tài sản được tài trợ, tài sản hình thành trong tương lai phát sinh từ dự án đầu tư,…

Mô hình lưu chuyển tiền tệ có thể được xem như một biến thể của Mô hình định giá quyền chọn khi mà giá trị thị trường của một doanh nghiệp được xác định dựa trên dòng tiền

Ưu nhược điểm:

- Ưu điểm: Mô hình lưu chuyển tiền tệ thích hợp đối với các khoản cho vay tài trợ dự án, cho vay xuất khẩu,… mà nguồn trả nợ dựa trên dòng tiền sinh ra từ tài sản được tài trợ Mô hình định giá quyền chọn phù hợp hơn khi thiếu dữ liệu

về trường hợp KHDN không có khả năng trả nợ

- Nhược điểm: Mô hình định giá quyền chọn khó có thể áp dụng đối với các doanh nghiệp vừa và nhỏ do yêu cầu cao về số lượng cũng như tính chính xác của dữ

liệu đầu vào Trong thực tế, mô hình này chỉ mới được áp dụng tại một số ít quốc gia và chủ yếu cho các doanh nghiệp có cổ phiếu niêm yết trên sàn chứng khoán Do đó, mô hình này khó có thể áp dụng tại Việt Nam khi thông tin không trong suốt và có quá ít các doanh nghiệp công khai thông tin trên sàn chứng khoán

2.2.2.2 Tổng quan mô hình Logit

a Giới thiệu mô hình Logit:

Như đã trình bày ở trên, mô hình Logit (Maddala, 1984)7 là mô hình định lượng trong đó biến phụ thuộc là biến giả, chỉ nhận 2 giá trị là 0 hoặc 1 Mô hình này thường được ứng dụng rộng rãi trong phân tích kinh tế nói chung và đánh rủi ro tín dụng nói riêng Nói cách khác, mô hình này có thể giúp các NHTM xác định khả năng khách hàng trả nợ (biến phụ thuộc) trên cơ sở sử dụng các yếu tố có ảnh hưởng đến khách hàng (biến độc lập)

Bảng 2.2: Cấu trúc dữ liệu các biến trong mô hình Logit

Biến Ký hiệu Loại

Nguồn: Tổng hợp theo Limited dependent and qualitative variables in econometrics

Trong hồi quy Logit, Y đóng vai trò là biến phụ thuộc và là biến nhị phân, chỉ

có thể nhận hai giá trị là 0 hoặc 1, cụ thể là: Y = 1 khi khách hàng có khả năng trả nợ,

Y = 0 khi xảy ra biến cố khách hàng không có khả năng trả nợ Với các xác suất tương ứng Pi và (1 – Pi) Giả sử Y* là giá trị ước lượng của Y, thu được khi hồi quy Y theo các biến độc lập, ta có:

Y*= β0 +β1X1 + β2 X2 + β3 X3 +… + βi Xi + ui Khi đó, xác suất một khách hàng trả được nợ (tức là xác suất Y = 1) được tính theo công thức sau:

7 Maddala, 2004 Limited dependent and qualitative variables in econometrics Cambridge University Press

 Y là biến phụ thuộc: Y = {0

1 khách hàng không có khả năng trả nợkhách hàng có khả năng trả nợ

 Xi là các biến độc lập, bao gồm các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp

 Để ước lượng β có thể sử dụng các phần mềm như SPSS, Eviews…

Trong mô hình trên xác suất Pi nằm trong [0,1] và quan hệ phi tuyến với các biến độc lập vốn nhận các giá trị từ - ∞ đến + ∞ Khi đã ước lượng được các hệ số hồi quy β, trước khi đưa ra mô hình dự báo khả năng trả nợ của KHDN, ta cần tiến hành một số kiểm định để xem xét tính phù hợp và tin cậy của mô hình:

- Kiểm định tương quan từng phần của các hệ số hồi quy

- Kiểm định mức độ phù hợp của mô hình

- Kiểm định mức độ giải thích của mô hình

b Mức độ phù hợp của mô hình Logit trong đánh giá khả năng trả nợ của khách hàng doanh nghiệp so với các mô hình khác

- Mô hình Logit không có hạn chế về phân phối, dạng biến độc lập cũng như các giả định phức tạp Có thể xử lý dễ dạng biến định tính thành định lượng thông qua biến giả Đây là ưu điểm rất lớn so với mô hình phân tích phân biệt được

Altman sử dụng để khả năng vỡ nợ của KHDN vốn yêu cầu khá nhiều giả định

cơ bản

- Mô hình Logit tương đối thuận lợi khi áp dụng trong thực tế, được hỗ trợ đầy

đủ về phương tiện kỹ thuật qua các phần mềm phân tích thống kê chuyên dụng

- Thông qua kết quả từ mô hình, các NHTM có thể ước lượng được xác suất KHDN không trả được nợ Từ đó, NHTM có thể phân loại và ra quyết định cấp tín dụng chính xác hơn cũng như hỗ trợ cho công tác quản lý rủi ro

- Có thể kết hợp Mô hình Logit nói riêng và các mô hình định lượng nói chung song song với hệ thống XHTD tại NHTM bởi mô hình Logit có thể đo lường mức độ ảnh hưởng của từng yếu tố được sử dụng trong hệ thống XHTD cũng như dự báo tốt kịch bản của các yếu tố tác động

 Nhược điểm:

- Mô hình Logit đòi hỏi người nghiên cứu phải tiên lượng hoặc dự đoán chính xác các biến độc lập có liên quan trước khi đưa vào mô hình Qua đó, mô hình hồi quy Logit mới thể hiện được chức năng dự báo

- Mô hình đòi hỏi phải có một số lượng dữ liệu đủ lớn cho tập hợp biến liên quan Nếu cơ sở dữ liệu không đủ lớn có thể dẫn đến những sai lệch về đánh giá tác động của các biến độc lập Càng nhiều biến độc lập đưa vào mô hình càng phải gia tăng kích cỡ mẫu Hosmer và Lemeshow (2000)8 đưa ra khuyến nghị kích

cỡ mẫu tối thiểu trên 400 để đảm bảo năng lực dự báo

- Mô hình Logit không áp dụng đối với các trường hợp KHDN khiếm khuyết dữ liệu hoặc các trường hợp KHDN đặc thù

Trên thế giới cũng có khá nhiều nghiên cứu so sánh độ tin cậy của các mô hình định lượng với nhau trong việc dự báo khả năng trả nợ cũng KHDN nói riêng hay rộng ra là đối với các biên phụ thuộc là biến định tính Nghiên cứu của Stone và Rasp

8 Hosmer & Lemeshow, 2000 Applied Logit regression New York, NY: John Wiley & Sons Inc

(1991)9 cũng như Maddala (1991)10 đã so sánh mô hình Logit với hồi quy OLS và cùng cho kết quả mô hình Logit thích hợp hơn OLS Các nghiên cứu của Martin (1977)11, Press và Wilson (1978)12, Wiginton (1980)13 lại chỉ ra rằng mô hình Logit vượt trội hơn so với các mô hình phân tích phân biệt Bên canh đó, nghiên cứu của Yesilyaprak (2004)14 khi so sánh mô hình mạng nơron thần kinh, mô hình phân tích phân biệt và mô hình Logit cũng cho kết quả mô hình mạng nơron dự báo tốt nhất, tốt thứ hai là mô hình Logit và sau cùng là mô hình phân tích phân biệt

Qua kết quả từ nhiều nghiên cứu trên thế giới, mô hình ước lượng và dự báo dựa trên phương pháp mạng nơron thần kinh được cho là tốt hơn mô hình Logit và Probit, sau đó mới là Mô hình phân tích phân biệt và mô hình xác suất tuyến tính Nhưng do mô hình mạng nơron thần kinh đòi hỏi dữ liệu đầu vào phải đủ lớn, phương pháp này cũng rất phức tạp và chưa phổ biến tại Việt Nam cũng như nhiều nước trên thế giới Nên việc lựa chọn mô hình tốt thứ hai là hợp lý vì yêu cầu mẫu không quá cao, ít ràng buộc về mặt giả thiết và hiện đang được sử dụng rộng rãi trên thế giới Vì vậy, việc lựa chọn mô hình Logit trong đánh giá khả năng trả nợ của KHDN hay rủi

ro tín dụng là phương pháp phù hợp với BIDV nói riêng và các NHTM tại Việt Nam nói riêng

2.3 Lược khảo các nghiên cứu trước có liên quan đến vấn đề nghiên cứu 2.3.1 Nghiên cứu của Irakli Ninua

Tác giả Irakli Ninua (2008)15 sử dụng mô hình Logit để đánh giá mối liên hệ giữa những khoản vay có TSĐB với khả năng trả nợ của KHDN tại ngân hàng

ProCreditBank Georgia trong giai đoạn 2004 – 2007 Biến phụ thuộc là Tỷ lệ tổn thất cho vay (LLD – Loan Loss Ratio), bởi theo tác giả chỉ tiêu này giúp các NHTM đánh giá rủi ro tín dụng trong một danh mục đầu tư khi sử dụng các dữ liệu trong quá khứ

và xác định mức độ tổn thất có thể xảy ra qua đó dự đoán khả năng trả nợ của khách hàng trong tương lai Các biến độc lập được sử dụng trong mô hình:

 COLLATERAL: Biến giả, nhận giá trị 1 nếu khoản vay có TSĐB và 0 nếu khoản vay không có TSĐB

 RAMOUNT: Số tiền cho vay

 RLENGTH: Thời hạn cho vay

 RATIORA: Tỷ lệ phê duyệt cấp tín dụng so với giá trị KHDN đề nghị

 CLIENTTYPE: Biến giả, nhận giá trị 1 nếu là KHDN đã từng quan hệ và

0 nếu là KHDN vãng lai

 EMPLOYMENT: Số lượng nhân viên của KHDN tại thời điểm cấp tín dụng

 Các biến giả cho địa điểm cấp tín dụng

 Các biến giả cho ngành nghề kinh doanh của KHDN

Kết quả nghiên cứu:

- Biến TSBĐ có quan hệ cùng chiều với biến phụ thuộc ở mức ý nghĩa 1% Điều

đó cho thấy các khoản vay có TSĐB thì xác suất KHDN không trả được nợ cao hơn đối với các khoản vay không có TSBĐ

- Tỷ lệ phê duyệt cấp tín dụng so với giá trị KHDN đề nghị ngược chiều đến biến phụ thuộc ở mức ý nghĩa 1%, cho thấy KHDN được phê duyệt cấp tín dụng theo

đề nghị sẽ có khả năng trả nợ tốt hơn so với trường hợp không được cấp tín dụng như yêu cầu

- Số lượng nhân viên của KHDN có tác động cùng chiều với biến phụ thuộc ở mức ý nghĩa 1% Điều này cho thấy các KHDN sử dụng nhiều lao động thường

có khả trăng trả nợ kém hơn so với các KHDN sử dụng ít lao động Tác giả giải thích do các công ty lớn thường có quy mô lớn và có khoản vay lớn nên rủi ro tín dụng càng cao

- Biến loại khách hàng có tác động cùng chiều với biến phụ thuộc và có ý nghĩa

ở mức 1%, mối quan hệ của ngân hàng và KHDN làm tăng khả năng KHDN không trả nợ

- Đối với kết quả biến giả của ngành nghề kinh doanh, ngành sản xuất thực phẩm

có tác động cùng chiều với biến phụ thuộc ở mức ý nghĩa 10%, cho thấy các KHDN trong ngành này có khả năng trả nợ thấp hơn các ngành khác

- Số tiền vay, thời gian vay và địa điểm cấp tín dụng không có ý nghĩa thống kê

2.3.2 Nghiên cứu Jiménez và Saurina

Hai tác Jiménez và Saurina (2003)16 giả phân tích các yếu tố có ảnh hưởng đến khả năng KHDN không trả được nợ từ đó làm rõ giả thiết có phải các KHDN được cho là có các khoản vay đầy rủi ro sẽ được yêu cầu thế chấp thêm nhiều TSĐB hay không và 1 số giả thiết khác Dữ liệu đầu vào là các khoản vay có giá trị từ 6.000 Euro trở lên của các KHDN tại các NHTM và các TCTD khác ở Tây Ban Nha Mô hình Logit được các tác giả xây dựng như sau:

Kết quả nghiên cứu:

- So với các khoản vay tín chấp, việc gia tăng TSĐB sẽ làm tăng PD Còn đối với các khoản vay có TSDB, PD thấp hơn khi khoản vay có tỷ lệ TSĐB 100%, cao hơn khi tỷ lệ TSĐB từ 50% đến dưới 100%

16 Jiménez & Saurina, 2003 Collateral, type of lender anh relationship banking as determinants of credit risk Journal of Banking & Finance 28

- Các khoản cấp tín dụng bởi Quỹ tiết kiệm có rủi ro vỡ nợ cao hơn so với các NHTM Nguyên nhân được cho là yếu kém trong công tác thẩm định và sự tăng trưởng nóng trong giai đoạn cuối thập niên 80 và 90 tại Tây Ban Nha

- Cấp tín dụng thông qua hình thức tài trợ vốn lưu động ngắn hạn do phụ thuộc vào doanh thu hàng năm của KHDN, nên có rủi ro thấp hơn các khoản cấp tín dụng đầu tư trung dài hạn vốn mất nhiều thời gian hơn để thực hiện và tạo ra lợi nhuận

- Khả năng KHDN không trả nợ đối với các khoản vay bằng ngoại tệ thấp hơn nội tệ do chiếm tỷ trọng thấp và được xem xét kỹ lưỡng hơn

- Các khoản vay có thời gian đáo hạn dài lại có PD thấp hơn Trong khi các khoản vay có kỳ hạn ngắn, kể cả không xác định (thấu chi tài khoản) có rủi ro cao hơn Tuy nhiên, đối với các khoản vay dài hạn trên 5 năm lại có PD thấp hơn Điều này trái ngược với Thuyết tín hiệu của Flannery (1986)17 khi tác giả cho rằng các KHDN có rủi ro thấp thường thích gia tăng vay ngắn hạn Cụ thể là khi các nhà đầu tư không thể phân biệt được đâu là doanh nghiệp có rủi ro cao, thì một doanh nghiệp tốt thường kỳ vọng được áp dụng lãi suất thấp từ đó tăng cường vay ngắn hạn Ngược lại, một doanh nghiệp yếu kém sẽ chấp nhận mức lãi suất cao hơn lãi suất bình quân trong dài hạn

- Khoản vay càng lớn thì khả năng KHDN trả được nợ cao hơn do quá trình thẩm định phê duyệt cho vay khắt khe hơn

- Nghiên cứu cho thấy có một sự khác biệt về khả năng trả nợ của KHDN giữa các ngành kinh doanh và khu vực cấp tín dụng Ngành xây dựng được cho là rủi

ro nhất, sau đó là kinh doanh khách sạn và nhà hàng Ngành có rủi ro KHDN không trả nợ thấp nhất là sản xuất và phân phối điện, khí đốt và cung cấp nước

do các KHDN hoạt động trong những lĩnh này là những KHDN có quy mô lớn, mức độ tín nhiệm cao Tác giả cũng phát hiện có sự khác biệt về khả năng trả

nợ của KHDN giữa các khu vực cấp tín dụng

17 Flannery, 1986 Asymmetric information and risk debt maturity choice Journal of Finance XLI (1)

- Liên quan đến mối quan hệ với các TCTD, tác giả cho rằng việc quan hệ với nhiều TCTD sẽ làm giảm rủi ro KHDN không trả được nợ

2.3.3 Nghiên cứu của Andrea Ruth Coravos

Trong bài nghiên cứu,tác giả Andrea Ruth Coravos (2010)18 sử dụng mô hình Logit để đo lường khả năng trả nợ của KHDN có quy mô nhỏ dựa trên dữ liệu từ Community development financial institutions (CIFIs) với kích thước mẫu gồm 530 khoản vay, trong đó có 229 khoản vay có bảo lãnh và 301 khoản vay không có bảo lãnh Biến phụ thuộc nhận nhiều hơn 2 giá trị và được mô tả như sau:

Bảng 2.3: Giải thích biến phụ thuộc trong mô hình đề xuất bởi Andrea Ruth Coravos

 Chưa từng phát sinh nợ

quá hạn

 Chưa từng cơ cấu nợ

 Có lịch sử trên 1 lần quá hạn trên 30 ngày (+30)

 Có lịch sử trên quá hạn trên 60 ngày (+60)

 Đã từng được cơ cấu nợ

 Có lịch sử trên quá hạn trên 90 ngày (+90)

 Không trả được nợ

Lưu ý:

 Nếu là (+90) thì không được tính vào trường hợp (+30) hay (+60)

 Trường hợp cơ cấu nợ trong 1 tháng hoặc chỉ 1 lần có lịch sử nợ quá hạn cũng được xem là “Strong”

Nguồn: Học viên tổng hợp từ các nghiên cứu của Andrea Ruth Coravos

Các biến độc lập được chia thành 4 nhóm: Nhóm các biến liên quan đến đặc điểm của KHDN, Nhóm các biến liên quan đến đặc điểm của khoản vay, Nhóm các biến liên quan đến người cho vay (NHTM), Nhóm các biến liên quan đến môi trường

vĩ mô

18 Andrea Ruth Coravos, 2010 Measuring the Likelihood of Small Business Loan Default: Community Development Financial Institutions (CDFIs) and the use of Credit-Scoring to Minimize Default Risk

Kết quả nghiên cứu:

- Biến kinh nghiệm quản lý có quan hệ cùng chiều với khả năng trả nợ của KHDN, tuy nhiên lại không có ý nghĩa với các doanh nghiệp mới thành lập

- Các khoản vay được chính phủ bảo lãnh có rủi ro cao, tuy nhiên loại trừ trường hợp các doanh nghiệp vi mô Điều này được lý giải rằng bảo lãnh từ chính phủ luôn tìm đến các doanh nghiệp lớn, đang thiếu hụt vốn do đầu tư vào các lĩnh vực rủi ro

- Thời gian vay có tác động ngược chiều với khả năng trả nợ, vay càng dài khả năng trả nợ của KHDN càng thấp

- Điểm FICO cá nhân càng cao thì khả năng trả nợ của KHDN càng cao Các KHDN nhỏ với XHTD cao có xu hướng thực hiện đầy đủ và đúng hạn các nghĩa

vụ tài chính của mình

- Thời gian kinh doanh tác động cùng chiều với khả năng trả nợ của KHDN Điều này được giải thích rằng, KHDN có nhiều năm hoạt động sẽ ổn định và sức chịu đựng tốt hơn trước các khó khăn kinh doanh hơn các doanh nghiệp mới được thành lập

- Số tiền vay càng lớn thì khả năng trả nợ của KHDN càng cao, loại trừ trường hợp đối với KHDN mới thành lập

- Chênh lệch lãi suất cho vay so với lãi suất cơ bản càng cao làm giảm khả năng trả nợ của KHDN Tác giả lý giải rằng các KHDN có rủi ro cao thường được các NHTM áp dụng lãi suất cao

2.3.4 Nghiên cứu của Chiara Pederzoli, GridThoma, Costanza Torricelli

Đây là mô hình được các tác giả Chiara Pederzoli, GridThoma, Costanza Torricelli (2010)19 phát triển dựa trên ý tưởng ứng dụng Besel II đối với các doanh nghiệp vừa và nhỏ tại Ý để đánh giá khả năng vỡ nợ của khách hàng, từ đó giúp các NHTM xây dựng hệ thống XHTD nội bộ của mình Kết quả nghiên cứu do Beaver (1966) và Altman (1986) được sử dụng để xác định một số biến độc lập tiềm năng để

19 Chiara Pederzoli, Costanza Torricelli, 2010 A parsimonious default prediction model for Italian SMEs Banks and Bank Systems, Vol 5