Luận văn Thạc sĩ Tài chính ngân hàng: Hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam

BỘ GIÁO DỤC ĐÀO TẠO NGÂN HÀNG NHÀ NƢỚC VIỆT NAM

HỌC VIỆN NGÂN HÀNG

ĐỖ THỊ THU HÀ

HỆ THỐNG CẢNH BÁO SỚM RỦI RO TÍN DỤNG

TẠI CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM

LUẬN ÁN TIẾN SĨ KINH TẾ

Hà Nội, 2020

BỘ GIÁO DỤC ĐÀO TẠO NGÂN HÀNG NHÀ NƢỚC VIỆT NAM

HỌC VIỆN NGÂN HÀNG

ĐỖ THỊ THU HÀ

HỆ THỐNG CẢNH BÁO SỚM RỦI RO TÍN DỤNG

TẠI CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM

Chuyên ngành: Tài chính – Ngân hàng

Mã số: 9340201

LUẬN ÁN TIẾN SĨ KINH TẾ

Ngƣời hƣớng dẫn khoa học: 1. PGS.TS. Đỗ Thị Kim Hảo

2. TS. Nguyễn Danh Lƣơng

Hà Nội, 2020

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu khoa học độc lập của riêng tôi.

Các số liệu sử dụng phân tích trong luận án có nguồn gốc rõ ràng, đã công bố theo

đúng quy định. Các kết quả nghiên cứu trong luận án do tôi tự tìm hiểu, phân tích một

cách trung thực, khách quan và phù hợp với thực tiễn của Việt Nam. Các kết quả này

chưa từng được công bố trong bất kỳ nghiên cứu của tác giả nào khác.

Nghiên cứu sinh

Đỗ Thị Thu Hà

MỤC LỤC

PHẦN MỞ ĐẦU ........................................................................................................1

CHƢƠNG 1: CƠ SỞ LÝ LUẬN VỀ HỆ THỐNG CẢNH BÁO SỚM RỦI RO

TÍN DỤNG TẠI NGÂN HÀNG THƢƠNG MẠI .................................................24

1.1 Khái quát về quản trị rủi ro tín dụng và hệ thống cảnh báo sớm rủi ro tín

dụng tại Ngân hàng thƣơng mại ............................................................................24

1.1.1. Khái quát về quản trị rủi ro tín dụng ...............................................................24

1.1.2. Khái quát về hệ thống cảnh báo sớm rủi ro tín dụng ......................................27

1.2. Cấu trúc của hệ thống cảnh báo sớm rủi ro tín dụng ...................................30

1.2.1 Cơ sở dữ liệu đầu vào cho hệ thống cảnh báo sớm rủi ro tín dụng ..................30

1.2.2 Hệ thống chỉ tiêu và ngưỡng cảnh báo sớm rủi ro tín dụng .............................31

1.2.3 Đo lường rủi ro tín dụng ..................................................................................38

1.2.4 Đánh giá và phân loại rủi ro các khoản vay .....................................................46

1.2.5 Biện pháp ứng xử đối với các khoản vay có rủi ro ..........................................47

1.3 Quy trình xây dựng hệ thống cảnh báo sớm rủi ro tín dụng ........................49

1.4 Các điều kiện để xây dựng và triển khai hệ thống cảnh báo sớm rủi ro

tín dụng ....................................................................................................... 52

1.4.1 Điều kiện về cơ sở pháp lý và tổ chức .............................................................52

1.4.2 Điều kiện về hệ thống công nghệ thông tin và cơ sở hạ tầng ..........................54

1.4.3 Điều kiện về nguồn lực ....................................................................................55

1.5 Kinh nghiệm quốc tế về xây dựng và triển khai hệ thống cảnh báo sớm rủi

ro tín dụng và bài học cho các ngân hàng thƣơng mại Việt Nam.......................56

1.5.1 Kinh nghiệm của các ngân hàng thương mại Mỹ ............................................56

1.5.2 Kinh nghiệm của các Ngân hàng thương mại Séc ...........................................64

1.5.3 Bài học cho các Ngân hàng Việt Nam .............................................................66

Kết luận chương 1 .....................................................................................................70

CHƢƠNG 2: THỰC TRẠNG HỆ THỐNG CẢNH BÁO SỚM RỦI RO TÍN

DỤNG TẠI CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM ..........................71

2.1 Khái quát về rủi ro tín dụng và quản trị rủi ro tín dụng tại các Ngân hàng

thƣơng mại Việt Nam ..............................................................................................71

2.1.1 Khái quát về rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam ...........71

2.1.2 Khái quát về quản trị rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam ...... 78

2.1.3 Khái quát về hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng thương

mại Việt Nam ............................................................................................................81

2.2 Thực trạng hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng

thƣơng mại Việt Nam ..............................................................................................84

2.2.1 Thực trạng về cấu trúc hệ thống cảnh báo sớm rủi ro tín dụng .......................85

2.2.2 Thực trạng về điều kiện xây dựng và triển khai hệ thống cảnh báo sớm rủi ro tín

dụng ........................................................................................................................ 109

2.3 Đánh giá chung về hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân

hàng thƣơng mại Việt Nam ................................................................................. 111

2.3.1. Kết quả đạt được .......................................................................................... 111

2.3.2. Những hạn chế và nguyên nhân của hạn chế ............................................... 113

Kết luận chương 2 .................................................................................................. 116

CHƢƠNG 3: ỨNG DỤNG MÔ HÌNH ĐỊNH LƢỢNG VÀO HỆ THỐNG

CẢNH BÁO SỚM RỦI RO TÍN DỤNG TẠI CÁC NGÂN HÀNG THƢƠNG

MẠI VIỆT NAM .................................................................................................. 117

3.1 Ứng dụng mô hình định lƣợng vào hệ thống cảnh báo sớm rủi ro tín dụng

với khách hàng cá nhân tại các Ngân hàng thƣơng mại Việt Nam ................ 117

3.1.1 Phương pháp luận mô hình ........................................................................... 117

3.1.2 Kết qủa mô hình ............................................................................................ 122

3.2 Ứng dụng mô hình định lƣợng vào hệ thống cảnh báo sớm rủi ro tín dụng

với khách hàng doanh nghiệp tại các Ngân hàng thƣơng mại Việt Nam ....... 129

3.2.1 Phương pháp luận mô hình ........................................................................... 129

3.2.2 Kết quả mô hình ............................................................................................ 140

Kết luận chương 3 .................................................................................................. 153

CHƢƠNG 4: GIẢI PHÁP HOÀN THIỆN HỆ THỐNG CẢNH BÁO SỚM RỦI

RO TÍN DỤNG TẠI CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM ....... 154

4.1 Định hƣớng về quản trị rủi ro tín dụng và cảnh báo sớm rủi ro tín dụng tại các

Ngân hàng thƣơng mại Việt Nam .......................................................................... 154

4.1.1 Bối cảnh trong nước và quốc tế tác động tới quản trị rủi ro tín dụng và cảnh

báo sớm rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam ........................ 154

4.1.2 Định hướng về quản trị rủi ro tín dụng và cảnh báo sớm rủi ro tín dụng tại các Ngân

hàng thương mại Việt Nam ...................................................................................... 155

4.2 Giải pháp hoàn thiện hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng

thƣơng mại Việt Nam ............................................................................................ 156

4.2.1 Nhóm giải pháp về hoàn thiện cấu trúc hệ thống cảnh báo sớm rủi ro tín dụng tại

các Ngân hàng thương mại Việt Nam ....................................................................... 156

4.2.2 Nhóm giải pháp về hoàn thiện các điều kiện để xây dựng và triển khai hệ

thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam ..... 163

4.3. Một số kiến nghị với Ngân hàng nhà nƣớc và các cơ quan quản lý ......... 167

Kết luận chương 4 .................................................................................................. 168

KẾT LUẬN CHUNG ........................................................................................... 169

DANH MỤC VIẾT TẮT

Từ viết tắt

Nguyên nghĩa tiếng việt

Nguyên nghĩa tiếng anh

CIC

Trung tâm thông tin tín dụng

Credit Information Centre

CNTCTD

Chi nhánh tổ chức tín dụng

Phân tích phân biệt

Discriminant Analysis

Doanh nghiệp nhà nước

DNNN

Dự phòng rủi ro

DPRR

Dư nợ tại thời điểm vỡ nợ

Exposure at Default

EAD

Lợi nhuận trước thuế và lãi vay

Earning Before Interest and Taxes

EBIT

EBITDA

Lợi nhuận trước thuế, lãi vay, khấu

Earning Before Interest, Taxes,

hao và khấu trừ dân

Depreciation and Amortization

Tổn thất dự kiến

Expected Loss

Hệ thống cảnh báo sớm

Early Warning System

EWS

Cơ quan dịch vụ tài chính

Financial Services Authority

FSA

Phương pháp đánh giá nội bộ

Internal Rating -Based Approach

IRB

Khách hàng

Khách hàng doanh nghiệp

KHDN

Khách hàng cá nhân

KHCN

KHDNVVN Khách hàng Doanh nghiệp vừa và

nhỏ

KHDNL

Khách hàng Doanh nghiệp lớn

Tỷ lệ tổn thất tại thời điểm vỡ nợ

Loss Given of Default

LGD

Phân tích phân biệt

Line Discriminant Analysis

LDA

Logit

phân tích hồi qui Logit

Logistic Regression Analysis -

Logit

Phân tích biệt số đa yếu tố

Multi Discriminant Analysis

MDA

Ngân hàng nhà nước

NHNN

Ngân hàng thương mại

NHTM

NHTMCP

Ngân hàng thương mại cổ phần

NHTMNN Ngân hàng thương mại Nhà nước

NSD

Người sử dụng

Mạng lưới nơ ron thần kinh

Neural Network Noron

OECD

Tổ chức hợp tác và phát triển Kinh tế Organization for Economic

Cooperation and Development;

Xác suất vỡ nợ của KH vay vốn

Probability of Default

QTRRTD

Quản trị rủi ro tín dụng

Rủi ro tín dụng

RRTD

Tổ chức tín dụng

TCTD

Tổn thất ngoài dự kiến

Unexpected Loss

VAMC

Công ty quản lý tài sản Việt Nam

Vietnam asset management

company

DANH MỤC BIỂU ĐỒ, HÌNH

Hình 1.1: Mô hình quản trị RRTD của các NHTM ..................................................25

Hình 1.2: Cơ sở dữ liệu của hệ thống cảnh báo sớm của các NHTM .......................31

Hình 1.3: Hệ thống chỉ tiêu cảnh báo sớm RRTD đối với KHCN ...........................33

Hình 1.4: Hệ thống chỉ tiêu cảnh báo sớm RRTD đối với KHDN ...........................36

Hình 1.5: Qui trình xây dựng hệ thống cảnh báo sớm RRTD tại các NHTM ..........49

Hình 1.6: Chỉ tiêu tổng hợp rủi ro .............................................................................52

Hình 1.7: Biểu đồ tình hình giảm dư nợ ròng đến thời điểm vỡ nợ đối với KH có rủi

ro tại các NHTM Mỹ .................................................................................................56

Hình 1.8: Qui trình xây dựng hệ thống cảnh báo sớm tại các NHTM Mỹ ...............57

Hình 1.9: Cấu trúc hệ thống cảnh báo sớm RRTD tại các NHTM Mỹ ....................59

Hình 1.10: Mô tả ví dụ về việc chọn lọc các chỉ tiêu cảnh báo sử dụng................... 62

Hình 1.11: Minh hoạ thời điểm xuất hiện dấu hiệu cảnh báo sớm và thời điểm vỡ nợ

của KH theo kinh nghiệm tại NHTM Mỹ ................................................................. 63

Hình 1.12: Quản lý KH trong danh sách cảnh báo tại các NHTM Mỹ .....................63

Hình 3.1: Đồ thị phân phối xác suất trả nợ ............................................................ 151

Hình 4.1: Hệ thống chỉ tiêu cảnh báo sớm RRTD đối với nhóm KH có liên quan 162

Hình 4.2: Hệ thống phân quyền trên phần mềm cảnh báo sớm RRTD ................. 165

Biểu đồ 2.1: Tỷ lệ nợ xấu nội bảng Tổng dư nợ của NHTM Việt Nam ...................71

Biểu đồ 2.2: Đánh giá nợ xấu phân loại theo VAS và IFRS của Fitch đầu năm 2012 .... 73

DANH MỤC BẢNG

Bảng 2.1: Mô tả cơ cấu mẫu khảo sát .......................................................................85

Bảng 2.2: Chỉ tiêu và phân luồng cảnh báo sớm KHCN tại ngân hàng PVCombank ..... 89

Bảng 2.3: Chỉ tiêu và phân luồng cảnh báo sớm KHDN tại ngân hàng PVCombank ..... 92

Bảng 2.4: Chỉ tiêu cảnh báo tự động trong hệ thống cảnh báo sớm RRTD của ngân

hàng Vietinbank đối với KH DN VVN .....................................................................96

Bảng 2.5: Các ngưỡng cảnh báo sớm RRTD tự động đối với KHDNVVD tại

Vietinbank .................................................................................................................96

Bảng 2.6: câu hỏi điều tra trong hệ thống cảnh báo sớm RRTD của ngân hàng

Vietinbank đối với KH DNVVN ..............................................................................97

Bảng 2.7: Các ngưỡng cảnh báo sớm RRTD tổng hợp đối với KHDNVVD ...........98

tại Vietinbank ............................................................................................................98

Bảng 2.8: Ma trận cảnh báo sớm RRTD với KHVVN tại Vietinbank .....................98

Bảng 2.9: Khảo sát về phương pháp đo lường RRTD tại các NHTM ................... 100

Việt Nam ................................................................................................................ 100

Bảng 2.10: Điểm trung bình về đánh giá về hệ thống cảnh báo sớm RRTD ......... 104

Bảng 2.11: Điểm trung bình tính tuân thủ, minh bạch khi triển khai hệ thống cảnh

báo sớm RRTD ....................................................................................................... 105

Bảng 2.12: Điểm trung bình mức độ tuân thủ và đầy đủ trách nhiệm của các đơn vị

có liên quan thực hiện hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam .. 106

Bảng 2.13: Điểm trung bình về các điều kiện thuận lợi khi triển khai hệ thống cảnh

báo sớm RRTD ....................................................................................................... 110

Bảng 2.14: Điểm trung bình lợi ích của ngân hàng khi triển khai hệ thống cảnh báo

sớm RRTD ............................................................................................................. 110

Bảng 2.15: Điểm trung bình các điều kiện bất lợi khi triển khai hệ thống cảnh báo

sớm RRTD ............................................................................................................. 111

Bảng 3.1: Biến sử dụng trong mô hình .................................................................. 119

Bảng 3.2: Thống kê mô tả ...................................................................................... 122

Bảng 3.3: Kiểm định phân phối chuẩn ................................................................... 123

Bảng 3.4: Mối tương quan ..................................................................................... 124

Bảng 3.5: Kiểm định đa cộng tuyến ....................................................................... 125

Bảng 3.6: Kiểm định ý nghĩa của nhóm ................................................................. 126

Bảng 3.7: Giá trị Eigen ........................................................................................... 126

Bảng 3.8: Kiểm định Wilk‟s Lambda .................................................................... 126

Bảng 3.9: Ma trận cấu trúc ..................................................................................... 127

Bảng 3.10: Các hệ số hàm phân biệt Canonical ..................................................... 127

Bảng 3.11: Trọng tâm nhóm Centroids .................................................................. 128 Bảng 3.12: Phân loại kết quả a,c .............................................................................. 128 Bảng 3.13: Kết qủa phân loại a ............................................................................... 129

Bảng 3.14: Tóm t t các nghiên cứu trước đó ......................................................... 132

Bảng 3.15: Các biến được lựa chọn xây dựng mô hình ......................................... 138

Bảng 3.16: Thống kê mô tả các biến ...................................................................... 141

Bảng 3.17: Kiểm tra đa cộng tuyến ........................................................................ 143

Bảng 3.18: Tóm t t thông tin dữ liệu phân tích hồi quy ........................................ 143

Bảng 3.19: Mã hoá biến phụ thuộc ........................................................................ 144

Bảng 3.20: Phân tích các hệ số mô hình ................................................................ 144

Bảng 3.21: Tóm t t mô hình .................................................................................. 144

Bảng 3.22: Kiểm định Hosmer và Lemeshow ....................................................... 145

Bảng 3.23: Bảng phân loại ..................................................................................... 145

Bảng 3.24: Kết quả mô hình hồi qui ...................................................................... 145

Bảng 3.25: Đề xuất mức cảnh báo RRTD.............................................................. 152

Bảng 4.1: Phân loại nhóm KH theo các mối quan hệ ............................................ 159

PHẦN MỞ ĐẦU

1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Rủi ro tín dụng RRTD là một trong những rủi ro chủ yếu, có tác động mạnh m

đến hoạt động kinh doanh của Ngân hàng thương mại NHTM . RRTD xảy ra còn tác

động đến khả năng tiếp cận vốn của các doanh nghiệp, từ đó tác động tiêu cực đến tăng

trưởng và phát triển của nền kinh tế. Hệ thống quản trị RRTD QTRRTD của một

ngân hàng thực hiện sứ mệnh đảm bảo cho ngân hàng luôn kiểm soát rủi ro ở mức độ

hợp lý mức rủi ro ngân hàng có thể chấp nhận phù hợp với qui mô và bản chất kinh

doanh tín dụng của ngân hàng và đạt được lợi nhuận cao nhất. Để đạt được mục tiêu đó

thì xây dựng một hệ thống cảnh báo sớm RRTD có ý nghĩa vô cùng lớn trong khâu

giám sát sau cho vay.

Các nghiên cứu lý luận và thực tế cho thấy, nhiều ngân hàng trên thế giới có hiệu

quả hoạt động tốt nhờ chú trọng công tác cảnh bảo sớm RRTD và xây dựng hệ thống

cảnh báo sớm RRTD hiệu quả nhằm phát hiện sớm các khoản vay có khả năng rủi ro

cao để đưa ra biện pháp ngăn chặn và giảm thiểu rủi ro từ sớm. Hậu quả của cuộc

khủng hoảng tài chính năm 2008 tại Mỹ, có thể nhận thấy rõ qua số liệu thống kê về số

vụ tố tụng do mất khả năng thanh toán tăng vọt từ 95.035 vụ năm 2004 lên 137.653 vụ

năm 2012 theo báo cáo của Federal Statistical Office, 2013 . Hậu quả này tác động

đáng kể lên lợi nhuận của ngân hàng. Khi khối lượng nợ xấu tăng lên thì đòi hỏi về

cảnh báo sớm các khoản nợ mất khả năng thanh toán trong tương lai được đẩy mạnh tại

hầu hết các NHTM tại Mỹ Michael Strumpf, Christian Schaefle, 2015 . Có thể hiểu là

xu hướng này đã thúc đẩy sự giám sát của các NHTM Mỹ và đây được coi là mục tiêu

chính cho những qui định mới nhất về quản trị RRTD của các NHTM Mỹ. Nguyên t c

tổng hợp dữ liệu rủi ro hiệu quả do ngân hàng thanh toán quốc tế BIS công bố trong

giai đoạn này cũng liên quan đến việc quản lý các khoản vay và phát hiện sớm vỡ nợ.

Trọng tâm thực tế của các ngân hàng nên tập trung vào việc phát hiện sớm và giảm

thiểu rủi ro vỡ nợ, từ đó giảm khối lượng cho vay thực sự vỡ nợ và giảm gánh nặng

RRTD lên hiệu quả hoạt động của ngân hàng. Phương thức hiệu quả nhất chống lại sự

vỡ nợ của các khoản vay là xác định sớm các khoản nợ có rủi ro, để có đủ thời gian

thực hiện các biện pháp phòng ngừa tổn thất như: chuyển đổi tiền mặt, thay đổi kì hạn

khoản vay,hoặc cấu trúc lại khoản vay. Có đủ thời gian để thực thi các giải pháp là vấn

đề quan trọng nhất trong việc xử lý thành công hay không các khoản nợ có rủi ro.

Hệ thống cảnh báo sớm đưa ra các kết quả kịp thời và chính xác s đem lại hiệu

quả lớn trong hoạt động của các NHTM. Các nhà phân tích tại Earnst & Young nhận

định rằng vào cuối năm 2013 khi hệ thống cảnh báo sớm được chú trọng, 7,8% số tiền

vay (tương đương 940 tỷ EUR) là các khoản nợ xấu đã được xoá khỏi khu vực EURO- đây được xem là một kỉ lục mới1. Thực tế này cho thấy một hệ thống cảnh báo sớm

RRTD hiệu quả và kịp thời có ý nghĩa quan trọng trong hoạt động của các NHTM.

Hoạt động tín dụng của các NHTM Việt Nam phát triển theo hướng tăng

quy mô và tốc độ tăng trưởng, tuy nhiên với những biến động bất lợi của nền kinh

tế khiến chất lượng tín dụng không ổn định.

Các NHTM Việt Nam vẫn phân loại nợ chủ yếu dựa vào thời hạn mà không

đánh giá được một cách chính xác tình hình tài chính, kết quả kinh doanh của doanh

nghiệp. Điều này dẫn đến việc phân loại nợ vào nhóm không phản đúng thực chất

khoản nợ. Ngoài ra, việc s p xếp lại các khoản nợ, đưa nợ ra ngoại bảng và cơ cấu lại

nợ đã làm cho tỷ lệ nợ xấu giảm đáng kể. Hơn nữa một phần nợ xấu đáng kể đã được

chuyển từ NHTM cho công ty quản lý tài sản Việt Nam (VAMC), nên có một sự chênh

lệch đáng kể về con số nợ xấu theo công bố của hệ thống NHTM được tính theo chuẩn

mực kế toán Việt Nam VAS và chuẩn mực báo cáo tài chính quốc tế IFRS . Theo

công bố của các NHTM Việt Nam tỷ lệ nợ xâú của toàn hệ thống cuối năm 2018 là

dưới 3% nhưng theo các tổ chức xếp hạng thế giới thì con số nợ xấu của các NHTM

Việt Nam thời điểm này phải trên 7%.

Thực trạng công tác QTRRTD tại các NHTM Việt Nam hiện nay phần lớn chỉ

chú trọng đến xử lý RRTD mà chưa có sự quan tâm đúng mức đến phòng ngừa RRTD,

đặc biệt là giám sát tín dụng sau khi cho vay để phát hiện RRTD ở giai đoạn sớm nhằm

có các biện pháp phòng ngừa rủi ro phù hợp, hạn chế thấp nhất tổn thất tín dụng có thể

xảy ra. Do những hạn chế trong công tác cảnh báo sớm RRTD nên RRTD thường chỉ

được phát hiện khi khoản vay đã trở thành nợ quá hạn, nợ xấu, khiến cho các biện pháp

quản trị RRTD không đạt được hiệu quả như mong muốn. Nhiều NHTM còn chưa xây

1EY Eurozone Financial Services Forecast

dựng được hệ thống cảnh báo sớm RRTD như yêu cầu cơ bản của thông tư 41 hướng tới.

Trong thời kỳ tái cấu trúc và nỗ lực để đạt các tiêu chuẩn an toàn theo thông lệ

quốc tế, để nâng cao hiệu quả hoạt động cũng như vị thế của các NHTM Việt Nam

trong khu vực và trên thế giới, thì việc xây dựng hệ thống cảnh báo sớm RRTD có vai

trò sống còn đối với hoạt động của các NHTM Việt Nam.

Do vậy, nghiên cứu: “Hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân

hàng thương mại Việt Nam” có tính cấp thiết trên cả khía cạnh lý luận và thực tiễn.

2. TỔNG QUAN NGHIÊN CỨU

Vấn đề cảnh báo sớm RRTD tại các NHTM đã có nhiều công trình, đề tài trong

và ngoài nước dưới dạng bài nghiên cứu trên tạp chí, luận văn, luận án... theo những

hướng khác nhau như:

a. Khái quát hoá về hệ thống cảnh báo sớm

(i) Khái niệm hệ thống cảnh báo sớm và hệ thống cảnh báo sớm RRTD

Khái niệm ng n gọn nhưng toàn diện về hệ thống cảnh báo sớm Early Warning

Systems- EWS được đưa ra bởi Yap 1998, p.2 : “Ý tưởng cơ bản là theo dõi các biến

kinh tế trọng điểm để giúp những người làm chính sách dự đoán một cuộc khủng

hoảng, cho phép họ có đủ thời gian để phòng ngừa và tối thiểu hóa những tác động tiêu

cực của nó”. Hệ thống cảnh báo sớm là một công cụ thống kê phức tạp, được thiết kế

để giám sát các biến kinh tế và tài chính, định lượng khả năng suy giảm và phát hiện

sớm dấu hiệu suy giảm.

Các nghiên cứu trước đây về các hệ thống cảnh báo sớm đã chia chúng thành

hai nhóm cơ bản:

- Các hệ thống cảnh báo sớm thuộc về hoạt động giám sát vi mô, mục đích

chính là để phát hiện trong giai đoạn phôi thai, sự suy yếu năng lực tài chính của

các TCTD. Các biến được xác định cơ bản dựa trên báo cáo tài chính của ngân

hàng. Một số nghiên cứu điển hình về loại này như: Thomson 1991 ; Bernhardsen

(2001); Halling, Hayden (2006); Brossard, Ducrozet, Roche 2007 . Loại hệ thống

cảnh báo sớm này n m b t được các yếu tố nội tại liên quan cụ thể đến hoạt động

của các TCTD có khả năng tạo ra sự tổn thất hoặc thậm chí là khủng hoảng ngân hàng.

- Các hệ thống cảnh báo sớm được hỗ trợ bởi giám sát vĩ mô, nhằm phát hiện

nguy cơ rủi ro hệ thống ngân hàng dựa trên tín hiệu được cung cấp bởi các biến kinh tế

vĩ mô. Thông thường, bất ổn kinh tế vĩ mô giống như một chất xúc tác, làm trầm trọng

hơn những lỗ hổng tiềm tàng trong các ngân hàng, và tạo ra sự khủng hoảng trong toàn

bộ hệ thống ngân hàng. Có nhiều nghiên cứu thực nghiệm đã kiểm tra mối quan hệ

nhân quả giữa các biến kinh tế vĩ mô và đặc trưng của các thể chế, khả năng của khủng

hoảng ngân hàng như: Yap 1998 ; Hutchison, McDill 1999 ; Demirguc, Detragiache

(1999); Edison (2003).

Theo định nghĩa của ngân hàng Slovenia 2015 , hệ thống cảnh báo sớm đối với

RRTD được hiểu là hệ thống nhằm mục đích cảnh báo sớm sự tăng lên của RRTD,

ngoài ra hệ thống cảnh báo sớm RRTD còn có mục đích đưa ra những hành động hiệu

quả, kịp thời để chống lại quá trình chuyển sang trạng thái mất khả năng trả nợ của KH

vay vốn. Kết quả của hệ thống cảnh báo sớm RRTD nhằm nhận diện và phân loại

những KH có nguy cơ RRTD, đưa họ vào danh sách theo dõi đặc biệt hoặc chuyển cho

những đơn vị quản lý và xử lý chuyên trách để quản lý hiệu quả và toàn diện hơn.

Nghiên cứu của Mahen Priyanka Peiris 2016 và khuyến nghị của uỷ ban Basel

(2006) cũng đưa ra những khái niệm nữa về hệ thống cảnh báo sớm, đó là một tập hợp

các quy trình được hướng dẫn để xác định rủi ro ở giai đoạn sớm. Theo nghiên cứu này

thì hệ thống giám sát và cảnh báo RRTD hiệu quả có thể làm giảm 10% - 20% tổn thất

các khoản cho vay của NHTM.

(ii) Mục đích của hệ thống cảnh báo sớm RRTD tại các NHTM

- Đưa ra công cụ hỗ trợ trong việc nhận diện và phát hiện nợ tiềm ẩn rủi ro

củaKH vay vốn tại các NHTM: theo những hướng dẫn về hệ thống cảnh báo sớm

RRTD của ngân hàng Slovenia 2015 và nhiều tổ chức chuyên nghiệp về QTRRTD

như Accenture (2014) hay McKinsey 2012 thì đều có đồng quan điểm rằng: cảnh báo

sớm RRTD là một nội dung quan trọng của bước giám sát sau khi cho vay nhằm nhận

diện và phát hiện sớm RRTD.

- Đánh giá KH sau khi cấp tín dụng nhằm phân loại KH để có chính sách và

biện pháp phù hợp để phòng ngừa và hành động phù hợp để giảm thiểu tổn thất của

RRTD: kết qủa nghiên cứu của tác giả Bc. Pavel Mu z cek (2010) và Mahen Priyanka

Peiris 2016 đều cho rằng hệ thống cảnh báo sớm RRTD s giúp các NHTM phân loại

KH hiệu quả, tạo ra các danh sách KH cần theo dõi để có hành động hiệu quả kịp thời

để ngăn ngừa và giảm thiểu RRTD

- Ngoài ra theo Yidan Luo (2013) và của M. Yaghini, T. Zhiyan, and M. Fallahi

(2011 thì hệ thống cảnh báo sớm RRTD còn nhằm cung cấp những hướng dẫn cụ thể

về các nguyên t c về tổ chức, phân công trách nhiệm, xây dựng hệ thống chỉ tiêu cảnh

báo sớm RRTD với KH vay vốn…

(iii) Cấu trúc hệ thống cảnh báo sớm RRTD

Nghiên cứu của Edward (2004) đưa ra cấu trúc hệ thống cảnh báo sớm RRTD

gồm: các cơ sở dữ liệu đầu vào, hệ thống chỉ tiêu cảnh báo sớm RRTD, đo lường

RRTD và hệ thống phân loại rủi ro phù hợp. Theo nghiên cứu này thì cơ sở dữ liệu đầu

vào của hệ thống cảnh báo sớm RRTD phải đủ lớn, bao gồm cả dữ liệu định tính và

định lượng. Nghiên cứu của Accenture 2014 thì cho rằng đối với KH lớn như các

KHDN thì cơ sở dữ liệu nên là định lượng ví dụ như các thông tin trên báo cáo tài

chính doanh nghiệp , còn các KH nhỏ như KHCN thì cơ sở dữ liệu định tính s nên

được ưu tiên hơn.

Mahen Priyanka Peiris (2016) đã dựa trên kinh nghiệm của các NHTM

Mỹ đề xuất bộ cơ sở dữ liệu và hệ thống chỉ tiêu cảnh báo sớm RRTD các

NHTM Mỹ gồm: chỉ tiêu về pháp lý KH, chỉ tiêu về những thay đổi trong hoạt

động kinh doanh, chỉ tiêu về TSBĐ. Yêu cầu của cơ sở dữ liệu là tính khả dụng,

tính chính xác và các chỉ tiêu cảnh báo cần có xác suất cảnh báo đúng cao và

thời gian nhanh chóng.

Bc. Pavel Mu z cek 2010 đã xây dựng mô hình Logit để đo lường xác suất

vỡ nợ trong giai đoạn khủng hoảng dựa trên cơ sở dữ liệu sẵn có của các NHTM Séc.

Các dữ liệu KHtừ các hợp đồng tín dụng và báo cáo tài chính của họ được sử dụng để

đưa vào mô hình đo lường xác suất vỡ nợ, kết quả của mô hình được dùng như một dấu

hiệu cảnh báo sớm RRTD nhờ việc đưa ra danh sách KH có thể mất khả năng thanh

toán trong 3 tháng tới. Wanida Sirirattanaphonku và Suluck Pattarathammas (2012) đã

sử dụng các mô hình thống kê như phân tích hồi qui Logit, phân tích biệt thức đa yếu tố

MDA trên dữ liệu KH vay vốn của các Ngân hàng Thái Lan và Samen tại các giai

đoạn khác nhau để dự đoán xác suất vỡ nợ của KH. Từ đó đề xuất các mô hình cảnh

báo sớm hiệu quả cho hệ thống NHTM tại các quốc gia này.

Một số nghiên cứu khác như của McKinsey (2012), Yidan Luo (2013), Zhi-

Yuan Yu, Shu-Fang Zhao (2012)…sử dụng các phương pháp đo lường RRTD bằng các

phương pháp thống kê hiện đại để xây dựng mô hình dự đoán sớm RRTD nhằm phân

loại KH vay thành nhóm có RRTD và nhóm không có RRTD. Theo nghiên cứu này thì

lợi ích của việc sử dụng các mô hình cảnh báo sớm hoặc hệ thống dự đoán RRTD là:

giảm chi phí phân tích tín dụng, cho phép quyết định tín dụng nhanh hơn, đảm bảo chất

lượng danh mục tín dụng, và làm giảm nguy cơ tổn thất.

Ngoài các nội dung tương tự về cấu trúc hệ thống cảnh báo sớm RRTD như các

nghiên cứu trên thì Ken Brown 2014 đồng thời cũng đề xuất các giải pháp và hành

động phù hợp đối với từng trường hợp sau khi có kết quả cảnh báo sớm RRTD như:

cho vay thêm, cơ cấu nợ, thanh lý tài sản bảo đảm, sử dụng công cụ phái sinh, bán nợ,

thanh lý doanh nghiệp, khởi kiện.

Đến thời điểm 2018, tại Việt Nam chưa có nghiên cứu chính thức nào về hệ

thống cảnh báo sớm RRTD tại các NHTM, một số nghiên cứu mới chỉ đề cập đến vấn

đề kinh nghiệm quốc tế trong công tác QTRRTD hoặc phòng ngừa và xử lý nợ xấu có

một số nghiên cứu điển hình như:

Phan Thị Linh 2012) tập trung phân tích kinh nghiệm QTRR của các NHTM

Trung Quốc, Nhật Bản, Mỹ. Trong đó phân tích cả điểm mạnh và yếu của hệ thống

QTRRTD tại các NHTM 3 quốc gia trên, nhưng không đưa ra bài học cho các

NHTM Việt Nam và chưa đề cập đến công tác cảnh báo sớm RRTD.

Bài nghiên cứu của Nguyễn Thị Ngọc Quỳnh (2017), cũng theo hướng nghiên

cứu tương tự nhưng chủ yếu là tập trung vào nghiên cứu kinh nghiệm của các NHTM

Mỹ, từ đó rút ra 8 bài học và gợi ý cho các NHTM cần thực hiện để nâng cao chất

lượng QTRRTD về các vấn đề xây dựng cơ sở dữ liệu, phân loại rủi ro, nâng cao năng

lực quản trị và kiểm soát nội bộ, đặc biệt là xây dựng hệ thống cảnh báo sớm RRTD.

Nghiên cứu của tác giả Lê Thị Huyền Diệu (2010), Nguyễn Đức Tú 2012 đã

dựa trên kinh nghiệm QTRR quốc tế để xây dựng mô hình quản lý RRTD, từ đó phân

tích các điều kiện thực tiễn để áp dụng tại các NHTM Việt Nam. Luận án Tiến sỹ kinh

tế của Dương Ngọc Hào 2015 dựa vào việc phân tích dữ liệu thu thập được từ ba

nhóm ngân hàng và đánh giá RRTD theo các tiêu chí như hoạch định, tổ chức thực

hiện, giám sát, điều chỉnh sau giám sát từ đó chỉ ra những hạn chế, nguyên nhân của

những hạn chế và đưa ra các giải pháp phù hợp cho các NHTM. Nghiên cứu của Tô

Minh Thông (2013) từ việc phân tích nợ xấu và đánh giá kinh nghiệm quản lý rủi ro ở

ngân hàng ANZ và đưa ra khuyến nghị cho NHTM Việt Nam về việc quản lý RRTD.

Theo hướng nghiên cứu này, các nghiên cứu chỉ dừng ở việc sử dụng các số liệu

thứ cấp phân tích các chính sách quản trị RRTD mà các ngân hàng đang áp dụng chỉ ra

những tồn tại, hạn chế và đưa ra các giải pháp khuyến nghị cho các ngân hàng về công

tác QTRRTD mà chưa đề cập tới việc các ngân hàng có áp dụng hệ thống cảnh báo

sớm trong QTRRTD không và việc áp dụng cảnh báo sớm RRTD trong QTRRTD của

các ngân hàng như thế nào. Các nghiên cứu cũng chỉ khai thác kinh nghiệm quốc tế về

QTRRTD nói chung mà chưa đi sâu nghiên cứu và phân tích kinh nghiệm xây dựng hệ

thống cảnh báo sớm RRTD để đưa ra các bài học cho các NHTM Việt Nam trong công

tác này.

b.Các nhân tố ảnh hƣởng đến RRTD và bộ chỉ tiêu cảnh báo sớm RRTD

(i) Nhân tố ảnh hưởng đến RRTD của KH cá nhân

Đã có rất nhiều các nghiên cứu trong và ngoài nước đã đưa ra các nhân tố ảnh

hưởng đến RRTD của KHCN và nhóm chúng thành các nhóm chính, làm cơ sở để đề

xuất bộ chỉ tiêu cảnh báo sớm RRTD đối với KHCN như:

- Thiện chí của người vay: Greenbaum và cộng sự, 1991; Hoque, 2000; Colye,

2000; Ozdemir & Boran, 2004; Võ Thị Quý và Bùi Ngọc Toản, 2014 cho thấy rằng

khi khoản vay không được hoàn trả, đó có thể là kết quả của việc người vay không có

thiện chí. Stiglitz 1990 khuyến nghị rằng các ngân hàng nên sàng lọc và lựa chọn

những người vay tốt và theo dõi chặt ch để đảm bảo rằng họ sử dụng các khoản vay

cho mục đích đã định tránh rủi ro đạo đức . Crook và Banasik (2004) cho rằng lịch sử

vay trả nợ cũng là nhân tố quyết định. Chiang, Chow, and Liu (2002) lại nhấn mạnh tới

các nhân tố định tính khác như tính cách của người vay và thái độ với nợ của họ là

nhân tố quan trọng.

- Nhân tố về nhân khẩu học tuổi tác, giới tính, tình trạng hôn nhân… :

Crook 2004 , tập trung nghiên cứu ảnh hưởng của các yếu tố như độ tuổi, thu

nhập, tình trạng sở hữu nhà, nghề nghiệp, nghiên cứu rút ra kết luận là: một gia đình ít

nợ hơn khi người chủ hộ trên 55 tuổi và RRTD s giảm nếu tỷ lệ thu nhập dư nợ cao,

người vay sở hữu nhà riêng và vẫn đang làm việc.

Theo Miller 2012 , nữ giới tạo ra ít RRTD hơn nam giới do họ cẩn trọng hơn

và ít gây ra các rủi ro đạo đức hơn. Và theo nghiên cứu của Chapman 1990 , Weber và

Musshoff 2012 , họ cũng đồng tình với ý kiến trên.

- Năng lực của người vay trình độ học vấn, đặc điểm nghề nghiệp và đặc điểm

thu nhập, thói quen tiêu dùng .

Theo Chapman 1990 , thì khả năng trả nợ từ cao đến thấp theo các đối tượng như

sau: KH có thu nhập cao, KH có thu nhập trung bình và KH có thu nhập thấp.

Trong một nghiên cứu khác, Kohansal và Mansoori 2009 , về khả năng trả nợ

của người nông dân tại tỉnh Korasan-Razavi của Iran đã cho kết quả là người nông dân

nào có kinh nghiệm càng lâu năm thì khả năng trả nợ càng cao.

Roberts và Sepulveda (1999) có quan điểm cho rằng thái độ và cách sử dụng

tiền hay thói quen chi tiêu của người vay cũng ảnh hưởng tới việc người vay có khả

năng vỡ nợ hay không. Bởi thói quen chi tiêu s ảnh hưởng tới hành vi vay trả của KH.

Hayhoe và cộng sự 1999 cũng cho rằng thái đội với tiền bạc và sử dụng thu nhập vay

nợ để chứng minh rằng quyết định vay nợ ch c ch n bị ảnh hưởng bởi hành vi tiêu

dùng và tiết kiệm. Tóm lại, bên cạnh các nhân tố nhân khẩu học thì thái độ và thói quen

sử dụng nợ và thói quen tiêu dùng cũng là nhân tố tác động tới điểm tín dụng và khả

năng một KH có khả năng vỡ nợ.

- Giá trị khoản vay và thời hạn vay:

Thời hạn cho vay và số tiền vay có quan hệ chặt ch tới RRTD của KHCN.

Nghiên cứu của Rock 1984 , đưa ra kết luận, các khoản vay kỳ hạn càng dài và giá

trị khoản vay càng lớn thì mức RRTD càng cao. Nguyên nhân là do, trong thời hạn

càng dài thì các yếu tố vĩ mô như suy thoái, khủng hoảng kinh tế… có tác động

càng lớn đến thu nhập là nguồn trả nợ chính của KHCN. Các khoản vay có giá trị

lớn, vượt quá khả năng trả nợ của KHCN trong 1 kỳ thường được các NHTM cấp tín dụng

dài hạn và trả góp trong nhiều kỳ. Do đó nếu NHTM không giám sát chặt ch biến động về

thiện chí và khả năng trả nợ của người vay thì s RRTD có thể s tăng.

Sumit Agarwal 2008 , trong nghiên cứu về xác định khả năng hoàn trả của

KHCN trong tương quan với tỷ lệ vay phải trả định kỳ và sự thay đổi lãi suất cho vay.

Kết quả nghiên cứu chỉ ra rằng:

Võ Thị Quý và Bùi Ngọc Toản 2014 có quan điểm rằng: về phương diện

thu nhập, khi thu nhập trên số tiền vay phải trả định kỳ tăng lên thì khả năng trả nợ

của KHCN cũng tăng theo. Điều này phù hợp với suy luận thông thường vì tỷ lệ thu

nhập trên số tiền vay phải trả định kỳ tăng lên đồng nghĩa với khả năng tài chính

của KH cao hơn.

(ii) Nhân tố ảnh hưởng đến RRTD của KH doanh nghiệp

Đối với KHDN, nhân tố ảnh hưởng đến RRTD của KHDN bao gồm hai nhóm

là: các nhân tố về tài chính và các nhân tố phi tài chính của doanh nghiệp:

- Nhân tố tài chính:

Việc sử dụng các tỷ số tài chính để dự đoán phá sản và RRTD đã được thiết lập

tốt kể từ nghiên cứu ban đầu của Beaver (1966). Hầu hết các tài liệu thực nghiệm trong

lĩnh vực này đã sử dụng các tỷ lệ tài chính và đã thành công trong việc phân loại giữa

các công ty phá sản và không phá sản. Vì các tỷ số tài chính phản ánh hầu hết tất cả các

hoạt động, hoạt động, lợi nhuận, thanh khoản và đòn bẩy tài chính của công ty. Do đó,

để phát triển các mô hình dự đoán phá sản hiệu quả để tìm ra các tín hiệu cảnh báo sớm

về RRTD tại các NHTM, các tỷ số tài chính được đưa ra như là các biến giải thích

trong các mô hình. Bảng dưới trình bày các tỷ lệ tài chính được sử dụng thành công để

dự đoán phá sản trong các nghiên cứu thực nghiệm trước đây.

Các chỉ tiêu tài chính trong hệ thống cảnh báo sớm trong các nghiên cứu

nƣớc ngoài

Nghiên cứu bởi

Nhóm

Nhân tố

Chỉ tiêu

Beaver Altman Deakin

Edmister Blum Elam Ohlson

Lợi nhuận ròng

doanh thu

Dòng tiền Giá trị

ròng

Dòng tiền Tổng Tài

sản

Sinh lời

Doanh thu thuần

tổng tài sản

Doanh thu thuần

giá trị ròng

Doanh thu hoạt

động doanh thu

Nghiên cứu bởi

Nhóm

Nhân tố

Chỉ tiêu

Beaver Altman Deakin

Edmister Blum Elam Ohlson

Lợi nhuận trước

thuế và lãi Tổng tài

sản

Tài sản thanh khoản

cao Tổng tài sản

Dòng tiền doanh

thu

Tài sản ng n hạn

Hiệu quả

Tổng tài sản

hoạt

Giá trị ròng Doanh

động

thu

Doanh thu tổng tài

sản

Vốn lưu động tổng

tài sản

Tổng nợ Tổng tài

sản

Tổng nợ Giá trị

ròng

Dòng tiền tổng nợ

Đòn bẩy

Dòng tiền Nợ ng n

tài chính

hạn còn lại

Lợi nhuận giữ lại

Tổng tài sản

Giá trị thị trường

VCSH Tổng nợ

Tài sản ng n hạn

Nợ ng n hạn

TS thanh khoản Nợ

ng n hạn

Thanh

khoản

Nợ ng n hạn giá trị

ròng

Nợ ng n hạn Tổng

tài sản

Vòng

Doanh thu/ Hàng

quay

hàng tồn

tồn kho

kho

Nguồn: Tổng hợp của tác giả

Nghiên cứu của Nguyễn Quốc Anh và Nguyễn Hữu Thạch 2015 xem xét các

yếu tố tác động đến RRTD thông qua tỷ lệ nợ xấu của 26 NHTM Việt Nam từ năm

2003-2015 kết quả đã chỉ ra tỷ lệ nợ xấu năm trước cao có ảnh hưởng nghịch chiều tới

tỷ lệ nợ xấu năm hiện tại, ROE quan hệ nghịch chiều với nợ xấu, ngân hàng có quy mô

lớn có nguy cơ RRTD cao hơn ngân hàng quy mô nhỏ hơn.

Tác giả Lê Khương Ninh và Nguyễn Thị Thu Diềm 2012 dùng phương pháp

định lượng để khảo sát những yếu tố ảnh hưởng đến khả năng trả nợ của KHDN. Mẫu

được chọn ngẫu nhiên từ 250 các doanh nghiệp trên địa bàn thành phố Cần Thơ giai

đoạn 2010- 2012. Với số liệu thu thập từ bảng cân đối kế toán, báo cáo kết quả hoạt

động kinh doanh và báo cáo lưu chuyển tiền tệ của doanh nghiệp, các tác giả tính toán

các chỉ số tài chính và đưa vào mô hình hồi quy để ước lượng ảnh hưởng của các chỉ số

này đến khả năng trả nợ của KHDN. Đồng thời, các tác giả cũng thu thập thông tin về

nhóm nợ của 214 KHDN trong mẫu trên cơ sở dữ liệu cung cấp bởi Ngân hàng nhà

nước chi nhánh Cần Thơ. Bằng việc lược khảo các nghiên cứu trước đây, các tác giả đã

đưa các yếu tố ảnh hưởng đến khả năng trả nợ của KHDN đó là đòn bẩy tài chính,

dòng tiền tự do, ROA, ROE, dòng tiền, vốn lưu động, thanh khoản, khả năng hoạt

động, quy mô của doanh nghiệp, kinh nghiệm hoạt động, lĩnh vực hoạt động (công

nghiệp hay thương mại . Kết quả nghiên cứu cho thấy biến đòn bẩy tài chính có mối

quan hệ nghịch biến với khả năng trả nợ của KHDN ở mức ý nghĩa 1%. Theo số liệu

khảo sát của nhóm tác giả, hiện tượng này xuất hiện là do nhiều doanh nghiệp có tỷ lệ

nợ khá cao so với vốn chủ sở hữu. Trong khi đó, tỷ suất lợi nhuận ROE càng cao thì

khả năng trả nợ của doanh nghiệp càng tốt. Ngoài ra, dòng tiền có quan hệ càng đồng

biến với khả năng trả nợ của KHDN, nghĩa là doanh nghiệp có có dòng tiền càng mạnh

thì s có khả năng tài trợ cho các hoạt động sản xuất kinh doanh và thanh toán nợ vay

càng tốt.

Nhiều nghiên cứu khác như Phan Đình Khôi và Nguyễn Việt Thành 2017 ;

Trương Đông Lộc & Nguyễn Thị Tuyết 2011 , Trương Đông Lộc & Nguyễn Văn

Thép 2014 , Nguyễn Thị Yến Nhi 2016 … cũng đều hướng đến mục tiêu xây dựng

các nhân tố ảnh hưởng đến RRTD của KH vay vốn. Tuy nhiên tất cả các nghiên cứu

này chỉ thực hiện đối với phạm vi một ngân hàng hoặc một chi nhánh ngân hàng và

cũng chỉ dừng lại ở kết luận về những yếu tố hoặc nhóm yếu tố tác động riêng lẻ mà

chưa đề xuất hay xây dựng được bộ chỉ tiêu cảnh báo sớm RRTD đối với KH vay vốn.

- Các nhân tố phi tài chính

Hầu hết các nghiên cứu trước đây đã sử dụng thành công tỷ lệ tài chính như các

yếu tố dự đoán trong các mô hình dự đoán rủi ro tài chính của doanh nghiệp. Tuy

nhiên, báo cáo tài chính chỉ cung cấp thông tin cũ về hoạt động của công ty. Khi thông

tin tài chính như vậy được tiết lộ, tình trạng khó khăn tài chính có thể s p xảy ra hoặc

đã xảy ra. Do đó, cần phải thêm các biến quản trị doanh nghiệp và cụ thể để xây dựng

mô hình cảnh báo sớm cho các mô hình suy thoái tài chính doanh nghiệp các nghiên

cứu trước đây cho thấy tuổi và quy mô công ty ảnh hưởng đến độ bền vững của nó. Các

công ty trẻ hơn hoặc nhỏ hơn có nhiều khả năng thất bại hơn các công ty lớn hơn vì họ

không có đủ kinh nghiệm trong kinh doanh, mạng lưới kết nối ít và thông tin hạn chế.

Các công ty lớn có xu hướng nhận thêm trợ giúp từ các nguồn bên ngoài để tránh phá

sản (Honjo, 2000). Lussier (2005) nhận thấy rằng có một số tỷ lệ phi tài chính (kinh

nghiệm trong ngành, tuổi CEO, kế hoạch và tư vấn chuyên môn) ảnh hưởng đến việc

dự đoán thành công hay thất bại trong hoạt động của doanh nghiệp. Lu, Lee và Chang

(2008) phát hiện ra rằng một số biến quản trị doanh nghiệp thể hiện tác động đáng kể

đến sự xuất hiện của sự khó khăn tài chính, như quyền biểu quyết của cổ đông kiểm

soát, quyền của cổ đông kiểm soát, tham gia quản lý và quyền sở hữu.

- Nhân tố vĩ mô và các nhân tố khác

Zribi and Boujelbène (2011), Funda (2014) đều có các nghiên cứu sử dụng

phương pháp nghiên cứu định lượng kết hợp với nghiên cứu định tính, phân tích dữ

liệu chỉ ra các nhân tố ảnh hưởng tới RRTD và đều chỉ ra rằng các yếu tố vĩ mô sự

tăng trưởng GDP, lạm phát, lãi suất… có ảnh hưởng tới RRTD

Ngoài ra nhân tố quy mô của ngân hàng, tăng trưởng tín dụng, chi phí hoạt động

của ngân hàng Zribi and Boujelbène, 2011 , nhân tố tỷ lệ lạm phát, lãi suất, chỉ số

ISE-100, tỷ giá ngoại tệ, cung tiền M2, tỷ lệ thất nghiệp Funda, 2014 đều có ảnh

hưởng tới RRTD của ngân hàng. Hay Zribi and Boujelbène 2011 nghiên cứu trường

hợp Tunisia, kết quả nghiên cứu chỉ ra rằng sở hữu công làm tăng RRTD ngân hàng và

việc tuân thủ quy định bảo đảm an toàn về vốn làm giảm RRTD.

Hướng nghiên cứu này chủ yếu là sử dụng phương pháp định lượng, sử dụng số

liệu sơ cấp thu thập từ khảo sát phân tích để chỉ ra các nhân tố ảnh hưởng tới RRTD

của ngân hàng mà không kết hợp với số liệu thứ cấp thu thập từ thực trạng QTRRTD

mà các ngân hàng đang áp dụng. Các nhân tố ảnh hưởng RRTD được chỉ ra ở mỗi

nghiên cứu cũng có sự khác nhau và ngoài ra trên thực tế còn có các nhân tố khác ảnh

hưởng tới RRTD. Mặt khác nữa mỗi ngân hàng lại có đặc thù riêng, có chính sách

QTRRTD riêng.

Nhiều nghiên cứu trước đây, dựa trên nghiên cứu về các nhân tố ảnh hưởng đến

RRTD của KHDN đã đề xuất bộ chỉ tiêu cảnh báo sớm RRTD đối với KHDN gồm 5

nhóm chỉ tiêu sau: i Nhóm chỉ tiêu về tình hình quan hệ giao dịch tín dụng của KH tại

NHTM và các TCTD; ii Nhóm chỉ tiêu về tình pháp lý, cơ cấu tổ chức, nhân sự của

KH; iii Nhóm chỉ tiêu về tình hình môi trường ngành nghề kinh doanh; iv Tình hình

tài chính, sản xuất kinh doanh; v Tình hình nguồn trả nợ; vi Tình hình TSBĐ.

c.Ứng dụng mô hình định lƣợng để dự đoán khả năng vỡ nợ và cảnh báo

sớm RRTD của KH vay vốn

(i) Các nghiên cứu ứng dụng mô hình định lượng trong cảnh báo sớm RRTD đối

với KHCN

- Mô hình phân tích phân biệt:

Các nghiên cứu sử dụng mô hình phân tích phân biệt để đo lường và dự báo

khả năng vỡ nợ và cảnh báo sớm RRTD đối với KHCN điển hình như: Awh & Waters

1974 , Grablowsky 1975 , Wiginton 1980 … Sử dụng mô hình phân biệt có thể dự

đoán thành viên nhóm trả nợ và không trả nợ đối với KHCN với độ chính xác tương

đối cao lên đến 78% và có ý nghĩa ở mức 0,01 Awh & Waters, 1974 . Ngiên cứu của

Grablowsky 1975 đã tiến hành phân tích phân biệt hai nhóm riêng biệt để mô hình

hóa rủi ro trong khoản vay tiêu dùng bằng cách sử dụng các biến số hành vi, tài chính

và nhân khẩu học. Nghiên cứu đã sử dụng dữ liệu của 200 KHCN. Mặc dù cả bộ mẫu

dữ liệu phân tích và mẫu lưu trữ đã vi phạm các giả định phương sai - hiệp phương sai

bằng nhau, mô hình ước tính đã phân loại chính xác mẫu 94%. Wiginton 1980 có

cùng hướng nghiên cứu khi đã tiến hành phân tích phân biệt bằng cách sử dụng các

biến số nhân khẩu học và kinh tế để tính toán hành vi tín dụng tiêu dùng. Có một số

biến số nhân khẩu học được sử dụng như số lượng người phụ thuộc, tình trạng cư trú,

tình trạng sử dụng phương tiện di chuyển trong năm ngoái, tình trạng sử dụng phương

tiện kinh doanh và các biến số kinh tế bao gồm: việc làm, nghề nghiệp và số năng làm

công việc hiện tại. Tác giả đã tìm ra các yếu tố có tác động đáng kể trong việc tính toán

RRTD của KHCN

- Mô hình hồi quy Logit:

Dmytro Goriunov và Katerina Venzhyk (2007) đã sử dụng một bộ dữ liệu

độc quyền được cung cấp bởi tổ chức ngân hàng lớn thứ mười của Ucraina, để phân

tích và đưa ra các nguyên nhân của RRTD với hai nhóm KH bán lẻ lớn nhất là vay

mua xe ô tô và mua nhà. Hai loại mô hình đã được sử dụng là hồi quy Logit và

mạng Nơron. Nghiên cứu đưa ra hai kết luận: i dữ liệu hiện tại đã được các ngân

hàng thu thập là đủ để cảnh báo sớm RRTD, nhưng các ngân hàng vẫn nên tiếp tục

thu thập thông tin đa dạng hơn; ii mô hình mạng nơron có sự vượt trội hơn mô

hình Logit về sức mạnh cảnh báo. Kim và các công sự 2004 đề xuất phương pháp

để quản lý RRTD của KHCN bằng cách sử dụng mô hình phân loại sai ứng dụng mô hình

nơ ron như một phần của mô hình chấm điểm tín dụng. Nghiên cứu này đưa ra kết luận,

năng lực trả nợ và hành vi của KHCN là những yếu tố tác động đến RRTD

- Các mô hình khác:

Hand & Henley 1997 sử dụng các phương pháp phán đoán, hồi quy Logit, lập

trình toán học, phân tích phân biệt, hồi quy, phân vùng đệ quy, hệ chuyên gia, mạng

lưới thần kinh, làm mịn các phương pháp không tham số và mô hình thay đổi thời gian.

Họ đã kết luận rằng mọi phương pháp đều có giới hạn của chúng và hiệu quả của một

phương pháp tốt phụ thuộc vào cấu trúc và đặc điểm của dữ liệu.

(ii) Các nghiên cứu ứng dụng mô hình định lượng trong cảnh báo sớm RRTD đối với

KH doanh nghiệp

- Mô hình chuyên gia:

Sinkey 1998 đã đưa ra những lý luận tổng quan về phương pháp đo lường

RRTD thông qua xếp hạng tín dụng bằng phương pháp chuyên gia. Theo nghiên cứu

thì, phương pháp chuyên gia là phương pháp được đa số các nhà QTRRTD sử dụng để

ước lượng RRTD của KH vay vốn. Nghiên cứu của Treacy và Carey 2000 và của

Wang 2013 cũng đồng tình với sự phổ biến của phương pháp chuyên gia trong xếp

hạng tín dụng và dự báo sớm RRTD của KH vay vốn.

- Mô hình phân tích phân biệt:

Các nhà nghiên cứu về lĩnh vực này cũng đã khám phá ra nhiều phương pháp dự

đoán khả năng vỡ nợ của KH doanh nghiệp vay vốn bằng việc sử dụng các hệ số tài

chính như một công cụ cảnh báo đầu tiên. Những nghiên cứu điển hình trong lĩnh vực

này như Beaver 1966), và Altman (1968). Trong khi Beaver 1966 phân tích 14 chỉ

tiêu tài chính bằng cách sử dụng phân tích biệt số đơn biến và thấy rằng dòng vốn tổng

tài sản và thu nhập ròng tổng tài sản xác định được một cách chính xác 90% và 88%

của các mẫu nghiên cứu được trích dẫn bởi Bernhardsen 2001 . Nghiên cứu của

Altman (1968) là nghiên cứu đầu tiên đã thành công trong việc áp dụng phân tích biệt

số đa yếu tố MDA để phát triển một mô hình dự đoán RRTD. Ông đã tìm thấy 5 chỉ

tiêu tài chính tiên đoán được tỷ lệ chính xác tương đối cao đối với những doanh nghiệp

ở Mỹ. Từ sự thành công của Alman, phân tích biệt số đa yếu tố MDA trở thành kĩ

thuật thống kê phổ biến được áp dụng rộng rãi trong nhiều mô hình cảnh báo khác như

(Edmister 1972; Deakin 1977; Altman 1983; Fulmer et al. 1984; Altman 1993). Mô

hình phân tích phân biệt có cách tiếp cận rất đơn giản, nhưng nó chịu một số vấn đề về

kinh tế lượng xem Eisenbeis 1977 , Wiginton 1980 và Hardle 2005 .

- Mô hình hồi quy Logit:

Ohlson 1980 là người đầu tiên ứng dụng phân tích hồi qui Logit (Logistic để

dự báo rủi ro và ông khẳng định phương pháp này ưu việt hơn, ít hạn chế hơn phương

pháp MDA. Ông đã xây dựng thành công mô hình dự báo RRTD Logit với 9 biến dự

báo. Sau đó nhiều nghiên cứu khác cũng sử dụng phương pháp của ông thay cho MDA

như là Zavgren 1983; Altman và Sabato 2007; Altman, Sabato và Wilson 2008).

Các vấn đề hạn chế của mô hình phân tích phân biệt sau đó được giải quyết

bằng mô hình hồi qui Logit và probit, được tạo ra vào những năm 1970 và phát triển

mạnh vào những năm 1980. Logit giả định rằng xác suất mặc định tích lũy có dạng

Logit thay đổi từ 0 đến 1 . Hướng nghiên cứu này được b t đầu bởi Martin 1977 và

Ohlson 1980 và tiếp tục bởi Wiginton 1980 , Zavgren 1983 và Zmijewski 1984 .

Mô hình Logit chính xác nhất là của Dambolena 1988 , đạt độ chính xác 98%.

- Các mô hình khác:

Với sự phát triển của hệ thống trí tuệ nhân tạo, các nhà kinh tế lượng b t đầu sử

dụng chúng cho các ứng dụng khác nhau. Một loại hệ thống như vậy là một mạng lưới

nơ ron thần kinh NN b t chước hành vi của các tế bào thần kinh trong não người. Các

mạng như vậy cố g ng trích xuất các mối quan hệ từ dữ liệu và sau đó phát triển một

mô hình ra quyết định. Chúng trở nên rất phổ biến để dự đoán về vỡ nợ và RRTD vào

những năm 1990, khi đủ bằng chứng về tiềm năng của chúng xuất hiện từ các lĩnh vực

khác như y học, cũng như nhận dạng văn bản và lời nói.

Ví dụ về việc áp dụng NN để ước tính RRTD có thể được tìm thấy trong

Messier (1988), Tam (1992), Fanning (1994), Desai (1996) và Zhang (1999). Tuy

nhiên, Altman 1996 đã chỉ trích cách tiếp cận mạng lưới thần kinh vì không có nền

tảng lý thuyết, coi chúng là một cuộc thám hiểm “câu cá”, và có độ chính xác không

vượt quá đáng kể so với các mô hình phân tích phân biệt.

Nghiên cứu của Black và các cộng sự 1973) sử dụng ý tưởng là: khi giá trị thị

trường của tài sản công ty giảm xuống dưới các khoản nợ ng n hạn, công ty được coi là

phá sản. Với hướng nghiên cứu này thì giá trị thị trường tài sản được sử dụng trong các

ước tính.

Theo Altman 1998 , có hai vấn đề chính với loại mô hình này. Đầu tiên, không

thể biết ch c ch n liệu biến động giá cổ phiếu có thực sự thể hiện sự biến động của giá

trị tài sản. Thứ hai, không phải tất cả các công ty đều được niêm yết, và không rõ làm

thế nào để đo lường giá trị của một công ty chưa niêm yết. Đây chính xác là lý do tại

sao chúng ta không thể sử dụng các mô hình này cho các NHTM Việt Nam. Tại Việt

Nam, tỷ lệ các công ty niêm yết nhỏ và chỉ số ít các công ty vỡ nợ.

Nghiên cứu của Wanida Sirirattanaphonkun và Suluck Pattarathammas (2012)

khẳng định vai trò quan trọng của các doanh nghiệp SME trong nền kinh tế toàn thế

giới. Hơn nữa, đây là đối tượng KH đông đảo hiện đang vay vốn tại các tổ chức tài

chính, do đó một mô hình cảnh báo sớm RRTD để dự đoán chính xác xác suất các

hãng này có thể bị phá sản và không thể trả lại khoản vay là rất quan trọng. Tuy

nhiên, các nghiên cứu dựa trên dữ liệu SME là rất hiếm, đặc biệt là đối với những thị

trường mới nổi. Nghiên cứu này phát triển mô hình dự đoán RRTD của các SME tại

Thái Lan bằng cách sử dụng hai phương pháp là phân tích biệt thức đa biến MDA

và phân tích hồi qui Logit (Logistic Regression Analysis -Logit . Các dữ liệu được

thu thập trong giai đoạn 2000 - 2010. Kết quả cho thấy rằng mô hình Logit cho độ

chính xác cao hơn dự đoán 85,5 % cho các mẫu thử. Hơn nữa, các dự báo công ty phá

sản kết hợp từ cả hai mô hình MDA và Logit có thể giúp đạt được mức độ chính xác

dự đoán cao hơn.

Ở Việt Nam có một số nghiên cứu ứng dụng mô hình định lượng để xếp hạng

KH hoặc chấm điểm tín dụng của khách như Nguyễn Trường Sinh 2009 , Vương Quân

Hoàng, Đào Gia Hưng, Nguyễn Văn Hữu, Trần Minh Ngọc và Lê Hồng Phương

(2006)…Tuy nhiên ứng dụng thực tế vào công tác cảnh báo sớm RRTD thì chưa đầy

đủ và hầu hết các nghiên cứu lựa chọn mô hình Alman hay mô hình Logit để xây dựng

hệ thống xếp hạng tín dụng KH nhằm đánh giá KH trước khi cho vay, chứ ít chú trọng

vào đánh giá KH sau khi cho vay để phát hiện sớm các RRTD và đề xuất biện pháp xử

lý phù hợp.

Một số bài báo và công trình nghiên cứu điển hình khác ứng dụng mô hình định

lượng để đo lường RRTD của KH vay vốn như: luận văn thạc sĩ của Dương Văn Khải

(2013); Nguyễn Thị Cành và Phạm Chí khoa (2014); Lê Tất Thành 2009 …Các

nghiên cứu trên đã có đóng góp mới trong việc định lượng RRTD tuy nhiên còn ở

phạm vi hẹp và số mẫu nhỏ.

3. KHOẢNG TRỐNG NGHIÊN CỨU

Tóm lại, qua tổng quan nghiên cứu, cảnh báo sớm RRTD là một vấn đề được

nhiều nhà khoa học và nhà quản trị ngân hàng trên thế giới quan tâm nghiên cứu và

khẳng định là có vai trò quan trọng trong công tác QTRRTD tại các NHTM. Thực tế

nhiều NHTM Việt Nam đã, đang triển khai xây dựng và vận hành hệ thống này, tuy

nhiên chưa có một nghiên cứu khoa học nào đầy đủ toàn diện về hệ thống cảnh báo

sớm RRTD ở các NHTM Việt Nam. Các nghiên cứu đã công bố tại Việt Nam chỉ tập

trung vào công tác QTRRT nói chung và các giải pháp phòng ngừa và xử lý nợ xấu,

mặc dù nhiều nghiên cứu cũng đã đưa ra quan điểm rằng cảnh báo sớm RRTD được

coi là một giải pháp quan trọng để nâng cao hiệu quả QTRRTD tại Việt Nam, nhưng

vấn đề này chưa được đi sâu nghiên cứu cụ thể. Do đó, thực trạng hệ thống cảnh báo

sớm RRTD và các biện pháp để hoàn thiện hệ thống cảnh báo sớm RRTD tại các

NHTM Việt Nam là khoảng trống tác giả hướng đến trong nghiên cứu này.

4. MỤC TIÊU VÀ CÂU HỎI NGHIÊN CỨU

Mục tiêu tổng quát:

Mục tiêu tổng quát là nghiên cứu lý luận và thực tiễn hệ thống cảnh báo sớm

RRTD tại các NHTM Việt Nam nhằm đưa ra các giải pháp và khuyến nghị để hoàn

thiện hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam,

Mục tiêu cụ thể:

- Hệ thống hoá cơ sở lý luận về hệ thống cảnh báo sớm RRTD tại các NHTM

- Đánh giá thực trạng hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam

- Ứng dụng mô hình định lượng trong cảnh báo sớm RRTD tại các NHTM Việt Nam

- Xây dựng và đề xuất các giải pháp nhằm hoàn thiện hệ thống cảnh báo sớm

RRTD tại các NHTM Việt Nam

Câu hỏi nghiên cứu

(i) Thực trạng hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam hiện nay?

ii Hệ thống cảnh báo sớm RRTD của các NHTM Việt Nam đã đạt được những

thành công gì? Còn tồn tại những hạn chế nào?

iii Khả năng ứng dụng mô hình định lượng trong hệ thống cảnh báo sớm

RRTD tại các NHTM Việt Nam?

iv Các giải pháp để hoàn thiện hệ thống cảnh báo sớm RRTD tại các NHTM

Việt Nam?

5. ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU

5.1. Đối tƣợng nghiên cứu

Đối tượng nghiên cứu của luận án là: hệ thống cảnh báo sớm RRTD tại các NHTM

5.2. Phạm vi nghiên cứu

- Phạm vi không gian: Hệ thống cảnh báo sớm và công tác cảnh báo sớm RRTD

đối với KH vay vốn tại các NHTM Việt Nam

- Phạm vi thời gian: Giai đoạn 2008-2019

6. THIẾT KẾ NGHIÊN CỨU

6.1. Khung nghiên cứu

Nghiên cứu dựa trên cơ sở lý luận về hệ thống cảnh báo sớm RRTD bao gồm:

mục đích, nguyên t c của hệ thống cảnh báo sớm RRTD; cấu trúc hệ thống cảnh báo

sớm RRTD; quy trình xây dựng hệ thống cảnh báo sớm RRTD và điều kiện thực xây

dựng và triển khai hệ thống cảnh báo sớm RRTD.

Từ cơ sở lý luận, nghiên cứu đi phân tích thực trạng hệ thống cảnh báo sớm

RRTD tại các NHTM Việt Nam theo hai nội dung chính là đánh giá thực trạng cấu trúc

hệ thống cảnh báo sớm RRTD và thực trạng các điều kiện áp dụng hệ thống này tại các

NHTM Việt Nam, bằng phương pháp phỏng vấn chuyên gia và khảo sát qua bảng hỏi.

Với cơ sở dữ liệu thực tế của KH vay vốn được cung cấp bởi các NHTM thực tế, NCS

thực hiện xây dựng mô hình định lượng để cảnh báo sớm RRTD tại các NHTM Việt

Nam đối với hai nhóm là KHCN và KHDN.

Từ các đánh gía thực trạng ở chương 2 về những thành công, hạn chế và nguyên

nhân hạn chế của hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam và kết quả

ứng dụng mô hình định lượng trên cơ sở dữ liệu thực tế để cảnh báo sớm RRTD, NCS

đã đề xuất các giải pháp và đề xuất hoàn thiện hệ thống cảnh báo sớm RRTD tại các

NHTM Việt Nam.

KHUNG NGHIÊN CỨU

6.2. Nguồn dữ liệu

Luận án sử dụng cả dữ liệu thứ cấp và dữ liệu sơ cấp

Dữ liệu thứ cấp:

Luận án đã sử dụng số liệu về RRTD và hoạt động quản trị RRTD của các

NHTM Việt Nam trên các báo cáo thường niên của cơ quan quản lý là NHNN Việt

Nam giai đoạn 2008-2019;

Ngoài ra, luận án sử dụng dữ liệu được cung cấp từ 10 NHTM tại Việt Nam

theo phụ lục 05, hình thức thu thập thông qua trích lọc dữ liệu từ cơ sở dữ liệu về KH

vay vốn được các NHTM cung cấp. Cụ thể, nghiên cứu sinh đã sử dụng thông tin thu

được của 500 KHCN và 257 KHDN vay vốn tại 10 NHTM. Các dữ liệu thu thập được

sử dụng là thông tin về KH vay vốn giới tính, độ tuổi, ngành nghề kinh doanh. Mục

đích vay vốn, thu nhập, số người phụ thuộc… , thông tin về khoản vay thời hạn vay,

số tiền xin vay, giá trị TSBĐ… , thông tin về tài chính doanh nghiệp mức tăng doanh

thu, mức tăng lợi nhuận, tỷ lệ thanh khoản, tỷ lệ sinh lời, cơ cấu vốn… , thông tin về

tình trạng trả nợ tốt hay xấu và các thông tin khác phụ lục 02, 03

Dữ liệu sơ cấp:

Dữ liệu sơ cấp về thực trạng hệ thống cảnh báo sớm RRTD tại các NHTM Việt

Nam cũng được thu thập thông qua phiếu khảo sát được gửi đến các lãnh đạo và nhân

viên bộ phận QTRRTD tại 35 NHTM Việt Nam theo phụ lục 04. Cuộc khảo sát sử

dụng bảng hỏi để thu thập dữ liệu và đã thu được 392 phiếu trả lời, từ đó phân tích và

đưa ra đánh giá về thực trạng QTRRTD tại các NHTM.

6.3. Phƣơng pháp nghiên cứu

Phƣơng pháp định tính:

Luận án đã vận dụng các phương pháp khảo sát, thống kê, so sánh, phân tích-

tổng hợp, diễn dịch, quy nạp. Đặc biệt, nhằm khai phá thông tin, đề tài sử dụng phương

pháp mô hình hoá các vấn đề nghiên cứu dưới dạng bảng, sơ đồ, công thức.

Cụ thể, nghiên cứu sử dụng phương pháp tổng hợp các vấn đề lý luận về khái

niệm, nguyên t c hoạt động, mục tiêu, qui trình xây dựng, cấu trúc, điều kiện áp dụng

và triển khai hệ thống cảnh báo sớm RRTD tại các quốc gia trên thế giới. Từ đó hệ

thống hoá cơ sở lý luận về hệ thống cảnh báo sớm RRTD

Tác giả cũng sử dụng phương pháp khảo sát mô tả để thu thập dữ liệu, mô tả

trạng thái của vấn đề và trả lời các câu hỏi liên quan đến chủ đề nghiên cứu. Theo

Orodho 2003 , khảo sát mô tả là một phương pháp thu thập thông tin bằng cách phỏng

vấn hoặc bảng câu hỏi cho một mẫu của các cá nhân. Do vậy, tác giả đã thực hiện

phỏng vấn chuyên gia làm công tác QTRRTD và thu thập qua bảng hỏi đối với một

nhóm chuyên viên QTRRTD của các NHTM Việt Nam để đánh giá thực trạng về cấu

trúc hệ thống cảnh báo sớm RRTD, thực trạng các điều kiện về xây dựng và triển

khai hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam. Từ đó, phân tích và

làm rõ những thành công cũng như hạn chế của hệ thống cảnh báo sớm RRTD tại

các NHTM Việt Nam, tạo ra cơ sở đưa ra các đề xuất nhằm hoàn thiện hệ thống này

taị các NHTM Việt Nam, giúp các NHTM Việt Nam nâng cao chất lượng hoạt động

tín dụng và quản trị RRTD.

Phƣơng pháp định lƣợng

Luận án đã sử dụng bộ dữ liệu thứ cấp về thông tin KH thực tế vay vốn tại

các NHTM để xây dựng mô hình cảnh báo sớm RRTD tại các NHTM Việt Nam cho

hai đối tượng là KHCN và KHDN bằng phương pháp định lượng. Hai mô hình được

sử dụng trong ngiên cứu này là mô hình phân tích phân biệt LDA và mô hình

Logistic (Logit). Đây là các mô hình được nhiều nghiên cứu trước đây sử dụng để

dự đoán khả năng vỡ nợ hoặc phá sản của KH cho kết quả dự đoán chính xác cao,

do vậy rất phù hợp để áp dụng trong hệ thống cảnh báo sớm RRTD đối với KH vay

vốn tại các NHTM.

7. NHỮNG ĐÓNG GÓP MỚI CỦA LUẬN ÁN

7.1. Đóng góp về mặt lý luận

Nghiên cứu đã hệ thống hoá cơ sở lý luận về hệ thống cảnh báo sớm RRTD tại

các NHTM. Thực tế chưa có nghiên cứu nào trước đây hệ thống hoá đầy đủ cơ sở lý

luận về hệ thống cảnh báo sớm RRTD đối với KH vay vốn tại các NHTM.

Nghiên cứu này đã tổng hợp và hệ thống hoá cơ sở lý thuyết đầy đủ về khái

niệm, nguyên t c, mục đích, cấu trúc, quy trình xây dựng và các điều kiện xây dựng,

triển khai hệ thống cảnh báo sớm tại các NHTM nói chung.

7.2. Đóng góp về mặt thực tiễn

Nghiên cứu đã đánh giá chi tiết về thực trạng hệ thống cảnh báo sớm RRTD tại

các NHTM Việt Nam.

Nghiên cứu đã xây dựng mô hình định lượng nhằm cảnh báo sớm RRTD dựa

trên bộ số liệu thực tế về tín dụng tại các NHTM Việt Nam.

Trên cơ sở kết hợp giữa lý thuyết và thực tiễn nghiên cứu đã đưa ra giải pháp,

kiến nghị nhằm hoàn thiện hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam trên

hai khía cạnh chính là hoàn thiện cấu trúc hệ thống cảnh báo sớm gồm hoàn thiện cơ

sở dữ liệu đầu vào, hệ thống chỉ tiêu cảnh báo và phương pháp cảnh báo sớm… và

hoàn thiện điều kiện áp dụng hệ thống cảnh báo sớm RRTD. Kết qủa của nghiên cứu

có tính ứng dụng cao trong việc xây dựng mô hình cảnh báo sớm RRTD tại các NHTM

Việt Nam.

Nghiên cứu đã đề xuất bộ chỉ tiêu cảnh báo sớm RRTD với nhóm KH có liên

quan. Đồng thời đề xuất hệ thống phân quyền trên phần mềm cảnh báo sớm, có thể là

căn cứ cho các NHTM Việt Nam hoàn thiện hệ thống cảnh báo sớm RRTD đối với đối

tượng này tại ngân hàng của mình.

8. KẾT CẤU LUẬN ÁN

Ngoài phần mở đầu, kết luận và tài liệu tham khảo, luận án gồm 4 chương:

Chƣơng 1: Cơ sở lý luận về hệ thống cảnh báo sớm RRTD tại Ngân hàng

thương mại

Chƣơng 2: Thực trạng hệ thống cảnh báo sớm RRTD tại các Ngân hàng thương

mại Việt Nam

Chƣơng 3: Ứng dụng mô hình định lượng trong hệ thống cảnh báo sớm RRTD

tại các Ngân hàng thương mại Việt Nam

Chƣơng 4: Giải pháp hoàn thiện hệ thống cảnh báo sớm RRTD tại các Ngân

hàng thương mại Việt Nam

CHƢƠNG 1

CƠ SỞ LÝ LUẬN VỀ HỆ THỐNG CẢNH BÁO SỚM RỦI RO TÍN DỤNG

TẠI NGÂN HÀNG THƢƠNG MẠI

1.1 Khái quát về quản trị rủi ro tín dụng và hệ thống cảnh báo sớm rủi ro tín

dụng tại Ngân hàng thƣơng mại

1.1.1. Khái quát về quản trị rủi ro tín dụng

Hiện nay, với nhiều cách tiếp cận khác nhau, các nhà khoa học, các tổ chức

tài chính, ngân hàng đã đưa ra nhiều khái niệm quản trị RRTD. Có thể thấy một số

khái niệm điển hình:

Theo tài liệu về quản trị RRTD của Trường Đào tạo Ngân hàng Thụy Sĩ-

Châu (2012 : “Quản trị RRTD là quá trình độc lập kiểm soát và giám sát mức độ chấp

nhận RRTD để đảm bảo rằng hoạt động đó nằm trong giới hạn đã định và phù hợp với

chính sách, qui trình. Qua đó có thể kiểm soát được thất thoát trong mức độ chấp nhận

được và tránh những tổn thất không mong đợi”. Trong khi đó, tài liệu hướng dẫn quản

trị RRTD của MAS Singapore (2013): “Quản trị RRTD là quá trình nhận diện, đo

lường, đánh giá, giám sát, kiểm soát và báo cáo RRTD trong một khoảng thời gian nhất

định, trên cơ sở đó đảm bảo vốn để chống đỡ RRTD đã xác định”. Trong khung quản

trị RRTD của Ngân hàng Standard Charter 2012 : “Quản trị RRTD là quá trình quản

lý RRTD thông qua thiết lập khung các chính sách và thủ tục nhằm kiểm soát việc đo lường và quản lý RRTD”. Theo tổ chức Moody‟s Analylics2: “Quản trị RRTD là quá

trình thực hiện các biện pháp giảm tổn thất bằng cách hiểu một cách đầy đủ về vốn và

dự phòng RRTD trong một khoảng thời gian nhất định”, theo quan điểm này, quản trị

RRTD thực chất là quản lý vốn và dự phòng cho RRTD. Theo quan điểm của y ban

BASEL (2006), “Quản trị RRTD là việc thực hiện các biện pháp để tối đa hóa tỷ suất

sinh lời điều chỉnh theo RRTD bằng cách duy trì số dư tín dụng trong phạm vi các

tham số cho phép”

Như vậy có thể thấy, khái niệm quản trị RRTD có nhiều cách tiếp cận, các ý

kiến, các quan điểm không hoàn toàn giống nhau, chủ yếu thiên về mô tả quá trình thực

2 Tổ chức chuyên cung cấp dịch vụ tư vấn quản trị RRTD toàn cầu

hiện quản trị RRTD. Còn khái niệm quản trị RRTD của y ban Basel đã làm rõ được

mục tiêu cuối cùng của quản trị RRTD là tối đa hóa lợi nhuận trên cơ sở đảm bảo

RRTD luôn trong phạm vi ngân hàng có thể chấp nhận.

Với các nội dung đã được đề cập trong các khái niệm quản trị RRTD, để đạt

mục tiêu quản trị theo cách tiếp cận của y ban Basel, quản trị RRTD tại NHTM

phải tập trung vào các vấn đề cơ bản: i Thiết lập được giới hạn chấp nhận RRTD

trên cơ sở mục tiêu chiến lược về RRTD trong từng giai đoạn nhất định; ii Thiết

lập các chính sách, qui trình, thủ tục, trong đó xác lập trách nhiệm, quyền hạn cụ thể

cho các bộ phận liên quan để đảm bảo RRTD luôn trong mức độ chấp nhận đã xác

định của ngân hàng; iii Đảm bảo đủ vốn và dự phòng cho RRTD đã xác định

nhằm giảm thiểu tổn thất tín dụng.

Theo nghiên cứu cuả Accenture 2014 thì mô hình QTRRTD bao gồm: phòng

Nguồn: Accenture(2014)

ngừa rủi ro và xử lý rủi ro

Hình 1.1: Mô hình quản trị RRTD của các NHTM

Bộ phận quản trị tín dụng: là một bộ phận chịu trách nhiệm quản lý khoản vay.

Nó liên quan đến việc xử lý tất cả các tài liệu liên quan đến khoản vay ví dụ: đơn xin

vay, thẩm định hoặc đánh giá .

Đánh giá tín dụng: bao gồm một quá trình kiểm tra, thẩm định người vay và sau

đó điều chỉnh lại các điều khoản trong hợp đồng tín dụng cho phù hợp. Sau khi thỏa

thuận cho vay đã được giải quyết, có những đánh giá thường xuyên để kiểm tra khả

năng thanh toán của người vay. KH càng rủi ro thì việc đánh giá s được thực hiện

thường xuyên hơn. Đánh giá tín dụng cũng có thể có nghĩa là định giá lại khoản vay,

điều chỉnh các kỳ hạn thanh toán hoặc gia hạn tín dụng.

Sau khi khoản vay được cấp, bộ phận chịu trách nhiệm quản lý tín dụng nhập

các tài liệu đã cho vào ứng dụng phần mềm phù hợp, chuyển chúng thành tài liệu sổ cái

ngân hàng, và chủ yếu là thực hiện rút tiền và trả nợ. Trên cơ sở thường xuyên, các

đánh giá tín dụng được thực hiện để kiểm tra xem người vay có khả năng đáp ứng các

nghĩa vụ của mình hay không và liệu hợp đồng cho vay có còn thực tế hay không. Bộ

phận giám sát tín dụng chịu trách nhiệm theo dõi tín dụng, xử lý dữ liệu để theo dõi

phát hiện những người không trả tiền tiềm năng. Mục đích chính của bộ phận này là

giám sát danh mục cho vay hiện tại. Xử lý cơ sở dữ liệu của tất cả các khoản nợ và

chuẩn bị các báo cáo nhất định ví dụ: báo cáo các khoản vay quá hạn có nguy cơ quá

hạn, hoặc báo cáo doanh thu tài khoản hiện tại . Phát hiện các KH xấu tiềm năng và

theo dõi liên lạc với nhóm kinh doanh nhất định hoặc trong trường hợp xấu hơn s liên

hệ với bộ phận tái cấu trúc tín dụng và xử lý nợ.

Nội dung giám sát tín dụng bao gồm:

- Kiểm tra các khoản thanh toán gốc và lại theo các điều kiện ghi trong hợp

đồng vay

- Phân tích hành vi của KH

- Thăm KH, liên hệ trực tiếp với KH và đánh giá liên tục tình hình kinh doanh

của KH

- Đánh giá tác động của ứng dụng tín dụng mới đối với các khoản vay hiện tại

- Thu thập thông tin tài chính trực tiếp từ KH. Từ đó phát hiện ra các dấu hiệu

suy giảm năng lực tài chính có ảnh hưởng xấu đến khả năng trả nợ của KH

- Theo dõi tài sản bảo đảm

Tóm lại, kết qủa quan trọng của quá trình giám sát tín dụng cần đạt được là cảnh

báo sớm mức độ rủi ro của từng khoản vay một cách kịp thời và chính xác. Như vậy hệ

thống cảnh báo sớm RRTD là một cấu phần quan trọng của hệ thống giám sát tín dụng

và quản trị RRTD tại các NHTM.

1.1.2. Khái quát về hệ thống cảnh báo sớm rủi ro tín dụng

1.1.2.1 Khái niệm hệ thống cảnh báo sớm rủi ro tín dụng

Uỷ ban Basel (2006) đưa ra khuyến nghị các NHTM cần xây dựng hệ thống

cảnh báo sớm RRTD trong đó cần có hệ thống theo dõi điều kiện của từng khoản tín

dụng, bao gồm mức độ đầy đủ của dự phòng và dự trữ. Khuyến khích ngân hàng phát

triển và sử dụng hệ thống xếp hạng tín dụng nội bộ trong quản lý rủi ro tín dụng. Ngân

hàng cần có hệ thống thông tin và các kỹ thuật phân tích để đo lường được RRTD

trong mọi hoạt động nội và ngoại bảng; phải có hệ thống theo dõi cơ cấu và chất lượng

của toàn bộ danh mục đầu tư tín dụng; cần có hệ thống kh c phục sớm đối với các

khoản tín dụng xấu, quản lý các khoản tín dụng có vấn đề. Như vậy theo uỷ ban Basel

2006 thì hệ thống cảnh báo sớm RRTD là: “Hệ thống theo dõi điều kiện của từng

khoản tín dụng, sử dụng hệ thống thông tin và các kỹ thuật phân tích đo lường RRTD

để đánh giá chất lượng của từng khoản vay và của cả danh mục, kh c phục sớm RRTD

đối với các khoản vay có vấn đề”.

Theo định nghĩa của ngân hàng Slovenia 2015 , hệ thống cảnh báo sớm đối với

RRTD được hiểu là: “Hệ thống nhằm mục đích cảnh báo sớm sự tăng lên của RRTD,

ngoài ra hệ thống cảnh báo sớm RRTD còn có mục đích đưa ra những hành động hiệu

quả, kịp thời để chống lại quá trình chuyển sang trạng thái mất khả năng trả nợ của KH

vay vốn”. Kết quả của hệ thống cảnh báo sớm RRTD nhằm nhận diện và phân loại

những KH có nguy cơ RRTD, đưa họ vào danh sách theo dõi đặc biệt hoặc chuyển cho

những đơn vị quản lý và xử lý chuyên trách để quản lý hiệu quả và toàn diện hơn. Hệ

thống này chỉ phù hợp đối với những KH có thể chuyển từ không vỡ nợ thành vỡ nợ,

không phù hợp với những KH đã thực sự vỡ nợ lúc này hệ thống cảnh báo sớm không

còn ý nghĩa . Ngân hàng phải đưa ra một quy trình để cảnh báo sớm về RRTD tăng lên,

trong đó xác định kịp thời người có nghĩa vụ có nguy cơ tăng RRTD. Các ngân hàng

phải thiết lập các chỉ số cảnh báo sớm định tính và định lượng thích hợp của nguy cơ

tăng RRTD.

Nghiên cứu của Mahen Priyanka Peiris 2016 cũng đưa ra một khái niệm nữa

về hệ thống cảnh báo sớm: “Hệ thống cảnh báo sớm RRTD EWS là một tập hợp các

quy trình được hướng dẫn để xác định rủi ro ở giai đoạn sớm. Hệ thống giám sát và

cảnh báo RRTD hiệu quả có thể làm giảm 10% - 20% tổn thất các khoản cho vay của

NHTM”.

Các NHTM tại Mỹ có hệ thống giám sát và cảnh báo sớm RRTD hiệu quả

s có:

· Khẩu vị về rủi ro mạnh

· Lợi nhuận trên vốn chủ sở hữu cao hơn

· Năng suất vốn tốt hơn.

Điều này có thể đạt được là do các ngân hàng này có khả năng: i Giảm thiểu

mức độ vỡ nợ của KH vay vốn, ii Liên tục theo dõi danh mục cho vay và giúp duy trì

chất lượng cho vay, iii Cơ chế giám sát và cảnh báo sớm RRTD hoạt động liên tục và

hiệu quả. Nếu nguy cơ rủi ro cao, hệ thống s kích hoạt hành động thích hợp để ngăn

chặn rủi ro vỡ nợ của KH gây ra tổn thất cho ngân hàng.

Theo quan điểm của tác giả thì hệ thống cảnh báo sớm RRTD tại các NHTM

được hiểu là: “Hệ thống bao gồm các cơ sở dữ liệu đầu vào có thể nhận biết, đo lường

RRTD ở giai đoạn sớm, đưa ra kết quả dự đoán và phân loại khách hàng vay vốn theo

các mức độ rủi ro khác nhau một cách tự động để có các biện pháp xử lý phù hợp nhằm

1.1.2.2 Mục đích của hệ thống cảnh báo sớm rủi ro tín dụng

giảm thiểu và hạn chế RRTD”

Hệ thống cảnh báo sớm RRTD với những khái niệm được đưa ra như trên được

hiểu là một chương trình kiểm tra, giám sát, đánh giá tính tuân thủ của KH và đơn vị

kinh doanh sau cấp tín dụng, cảnh báo sớm với trường hợp có dấu hiệu rủi ro và có thể

chuyển nhóm nợ cao hơn để đưa ra các biện pháp xử lý kịp thời nhằm giảm tỷ lệ nợ

chuyển nhóm. Như vậy hệ thống cảnh báo sớm RRTD tại các NHTM có những mục

đích cụ thể sau:

Thứ nhất, đưa ra công cụ hỗ trợ trong việc phát hiện, kiểm soát, cảnh báo sớm

RRTD tại NHTM. Hệ thống này hoạt động với mục đích nhận dạng, phát hiện sớm nợ

tiềm ẩn rủi ro của các KH vay vốn tại NHTM

Thứ hai, đánh giá KH sau khi cấp tín dụng, phân loại danh mục KH vay để đưa ra

biện pháp xử lý kịp thời nhằm giảm tỷ lệ KH mất khả năng thanh toán.

Thứ ba, hệ thống này nhằm hỗ trợ đơn vị kinh doanh tại các NHTM nâng cao

kiểm soát chất lượng nợ thông qua việc đánh giá thường xuyên và quản lý danh mục

KH sau cho vay như: tìm hiểu, phát hiện, đánh giá các sự kiện có ảnh hưởng bất lợi đến

tình hình hoạt động kinh doanh của KH.

Thứ tư, hướng dẫn trình tự, thủ tục thực hiện, trách nhiệm của các bộ phận có

liên quan trong việc nhận diện, đánh giá , giám sát và phân luồng xử lý KH có dấu

hiệu chuyển nhóm nợ cao hơn. Đồng thời hệ thống cũng nhằm mục đích theo dõi, cảnh

1.1.2.3 Nguyên tắc hoạt động của hệ thống cảnh báo sớm rủi ro tín dụng

báo tính tuân thủ của đơn vị kinh doanh trong việc thực hiện kiểm tra sau cho vay.

Hệ thống cảnh báo sớm RRTD được thực hiện dựa trên những nguyên t c sau:

Thứ nhất,các đơn vị liên quan phải thực hiện cập nhật đâỳ đủ, chính xác và

đúng thời gian theo quy định kết quả kiểm tra sau cho vay vào hệ thống cảnh báo

sớm RRTD.

Đơn vị kinh doanh cần cập nhật: lịch kế hoach kiểm tra sau cho vay; các biên

bản phiếu kiểm tra sau cho vay; các biên bản báo cáo kh c phục đã được phê duyệt của

cấp có thẩm quyền; các tài liệu đính kèm gồm: các báo cáo tài chính quý năm, các cam

kết tín dụng…

Bộ phận giám sát và cảnh báo sớm cần cập nhật: thông tin từ trung tâm thông

tin tín dụng CIC về dư nợ của các KH; thông tin giám sát; thông tin kiểm tra và các

thông tin khác nếu có …

Thứ hai, cảnh báo sớm RRTD phải đảm bảo tính khách quan, độc lập.

Thứ ba, việc cảnh báo sớm RRTD phải được tổ chức và đánh giá định kỳ theo

đúng tần suất kiểm tra sau cho vay của KH hoặc đột xuất nếu đơn vị kinh doanh phát hiện

có rủi ro có thể gây ảnh hưởng đến khả năng trả nợ của KH.

Sau khi ngân hàng cấp tín dụng cho KH, các khoản nợ phải được theo dõi,

giám sát một cách thường xuyên và liên tục đến khi KH thực hiện xong các nghĩa vụ

tín dụng với ngân hàng. Việc theo dõi, giám sát khoản vay thường xuyên nhằm kịp thời

phát hiện các khoản nợ có dấu hiệu rủi ro bất thường và có biện pháp xử lý phù hợp

trừ trường hợp các KH đã được chuyển sang khối xử lý nợ s được khối xử lý nợ theo

dõi, giám sát . Việc phát hiện và xác định một khoản nợ rủi ro dựa trên việc đánh giá,

báo cáo của đơn vị kinh doanh và phòng cho vay

Thứ tư, cảnh báo sớm RRTD phải được triển khai một cách đồng bộ thống nhất tuân

thủ theo đúng các tiêu chí, nội dung đánh giá theo qui định của pháp luật và TCTD.

Việc đánh giá khoản cho vay của đơn vị kinh doanh được thực hiện cùng với kỳ

kiểm tra sau cấp tín dụng theo qui định của các NHTM ban hành từng thời kỳ hoặc ngay

khi phát hiện các dấu hiệu rủi ro có nguy cơ làm giảm khả năng trả nợ của KH.

Thứ năm, các dấu hiệu bất thường đối với KH trong quá trình cảnh báo sớm

phải được phản ánh đến cấp phê duyệt tín dụng kịp thời trong thời gian sớm nhất nhằm

có các biện pháp xử lý kịp thời.

1.2. Cấu trúc của hệ thống cảnh báo sớm rủi ro tín dụng

1.2.1 Cơ sở dữ liệu đầu vào cho hệ thống cảnh báo sớm rủi ro tín dụng

Để có một hệ thống cảnh báo sớm RRTD một cách hiệu quả, đòi hỏi các NHTM

phải có các cơ sở dữ liệu đầu vào lớn và chính xác.

Theo kinh nghiệm của các NHTM ở các nước phát triển, đã xây dựng hệ thống

cảnh báo sớm hiệu quả thì cơ sở dữ liệu của hệ thống cảnh báo sớm đòi hỏi rất toàn diện

về mọi yếu tố tác động đến khả năng trả nợ của KH vay vốn. Cơ sở dữ liệu này cần bao

gồm cả dữ liệu định tính vấn đề nhân sự của KH vay vốn, kế hoạch kinh doanh của KH

vay vốn, thay đổi từ các yếu tố vĩ mô như chính sách của nhà nước, công nghệ… và dữ

liệu định lượng cả bên trong ngân hàng và bên ngoài ngân hàng. Dữ liệu bên trong ngân

hàng như: thời gian quá hạn nợ, thông tin thương mại bất lợi cho KH. Dữ liệu bên ngoài

ngân hàng như: vấn đề suy giảm trong hoạt động kinh doanh của KH thể hiện ở cả khía

cạnh tài chính và phi tài chính…

Để xây dựng hệ thống cảnh báo sớm RRTD, ngoài yêu cầu về tính đầy đủ, toàn

diện của thông tin, các nguồn thông tin cần thoả mãn các yếu tố về tính khả dụng, giá

trị sử dụng, mức độ tin cậy.

Tính khả dụng: Mặc dù có những nguồn thông tin có thể cung cấp thông tin rất

phong phú, nhưng ngân hàng có thể không có quyền truy cập hoặc dữ liệu có thể không

có sẵn một cách kịp thời.

Giá trị sử dụng: Tiêu chí này s giúp các ngân hàng cân nh c các thông tin có thể

sử dụng được hay không ví dụ: có hạn chế theo qui định từ góc độ cảnh báo sớm.

Độ tin cậy: trọng tâm của tiêu chí này là nguồn thông tin có đầy đủ và chính xác

không. Tính toàn vẹn của nguồn dữ liệu s giúp xác định mức độ hiệu quả của nguồn

dữ liệu đó trong việc xác định KH có nguy cơ rủi ro, tránh đưa ra những cảnh báo

không cần thiết có thể gây bất lợi cho KH. Các ngân hàng cũng cần cân nh c mức độ

cập nhật thường xuyên của nguồn dữ liệu hàng giờ, hàng ngày, hai tuần một lần, hàng

tháng…

Nguồn Accenture(2014)

Hình 1.2: Cơ sở dữ liệu của hệ thống cảnh báo sớm của các NHTM

1.2.2 Hệ thống chỉ tiêu và ngưỡng cảnh báo sớm rủi ro tín dụng

Theo định nghĩa của Edwards (2004): “Chỉ tiêu cảnh báo sớm là dấu hiệu cảnh

báo KH có khả năng phát sinh rủi ro, có thể ảnh hưởng đến khả năng trả nợ của KH”.

Các chỉ tiêu cảnh báo sớm luôn xuất hiện trước khi KH mất khả năng trả nợ do đó

người điều tra cần thường xuyên theo dõi các dấu hiệu rủi ro, phân tích, đánh giá ảnh

hưởng của dấu hiệu rủi ro đến khả năng trả nợ của KH để kịp thời đưa ra các biện pháp

xử lý rủi ro.

Các chỉ tiêu cảnh báo sớm được sử dụng trong hệ thống gồm hai loại:

(i) Chỉ tiêu cảnh báo nội bộ từ hệ thống (tự động):

- Các chỉ báo về dòng tiền về tài khoản tại ngân hàng.

- Các chỉ báo về tỷ lệ sử dụng hạn mức tại ngân hàng.

- Các chỉ báo về lịch sử quá hạn tại ngân hàng

(ii) Chỉ báo từ nguồn bên ngoài (bán tự động/thủ công):

- Thông tin từ trung tâm thông tin tín dụng

- Kiểm tra sau cho vay định kỳ được thực hiện bởi giám đốc quản lý quan hệ

KH, Giám đốc phát triển KH…

- Phân tích tài chính định kỳ được thực hiện bởi giám đốc phân tích tín dụng

1.2.2.1 Hệ thống chỉ tiêu và ngưỡng cảnh báo sớm rủi ro tín dụng đối với khách

hàng cá nhân

- Rủi ro phát sinh được phát hiện bởi bất kỳ bộ phận nào trong hệ thống ngân hàng.

Theo kinh nghiệm của các NHTM Mỹ và Châu Âu, bộ chỉ tiêu cảnh báo sớm

RRTD đối với KHCN gồm 5 nhóm chỉ tiêu sau: i Nhóm chỉ tiêu về tình hình quan hệ

giao dịch tín dụng của KH tại NHTM và các TCTD; ii Nhóm chỉ tiêu về tình trạng

nhân thân, công việc, cư trú của KH; iii Nhóm chỉ tiêu về tình hình môi trường ngành

nghề kinh doanh thay đổi; iv Nhóm chỉ tiêu về tình hình nguồn trả nợ của KH và người

có liên quan; v Nhóm chỉ tiêu về TSBĐ.

Hình 1.3: Hệ thống chỉ tiêu cảnh báo sớm RRTD đối với KHCN

Nguồn: Tổng hợp của tác giả

(i) Nhóm chỉ tiêu về tình hình quan hệ giao dịch/tín dụng của KH tại NHTM và

các TCTD:

Một số nghiên cứu Greenbaum và cộng sự, 1991; Hoque, 2000; Colye, 2000;

Ozdemir & Boran, 2004 cho thấy rằng khi khoản vay không được hoàn trả, đó có thể

là kết quả của việc người vay không có thiện chí. Stiglitz 1990 khuyến nghị rằng các

ngân hàng nên sàng lọc và lựa chọn những người vay tốt và theo dõi chặt ch để đảm

bảo rằng họ sử dụng các khoản vay cho mục đích đã định tránh rủi ro đạo đức . Điều

này rất quan trọng để đảm bảo người vay có thể trả lại khoản vay của họ. Bên cạnh đó,

tính cách của người vay, dữ liệu về lịch sử trả nợ trong quá khứ cũng là các nhân tố cần

được xem xét để đánh giá thiện chí trả nợ của người vay. Crook and Banasik

(2004) cho rằng lịch sử vay trả nợ cũng là nhân tố quyết định. Chiang, Chow, and Liu

(2002) lại nhấn mạnh tới các nhân tố định tính khác như tính cách của người vay và

thái độ với nợ của họ là nhân tố quan trọng. Do vậy, các chỉ tiêu cảnh báo sớm RRTD

được đề xuất bao gồm:

- Chỉ tiêu nợ qúa hạn: chỉ tiêu này được đo lường bằng số ngày có nợ quá hạn.

Thông thường các khoản nợ có thời gian quá hạn dưới 10 ngày được đánh giá là mức

độ rủi ro thấp, số ngày quá hạn càng lớn thì mức độ rủi ro càng cao. Các Ngân hàng có

tuỳ khẩu vị rủi ro có thể đánh giá thời gian quá hạn từ 10 ngày đến dưới 30 ngày hoặc

60 ngày là những khoản vay có mức độ rủi ro trung bình, tiếp đó là rủi ro cao.

- Tần suất phát sinh nợ quá hạn gần đây: chỉ tiêu này được đo lường bằng số lần

quá hạn. Số lần phát sinh nợ quá hạn của KH trong một thời gian nhất định theo quy

định của NHTM càng nhiều thì mức độ rủi ro càng cao. Thông thường số lần quá hạn

nợ trong vòng 3 tháng dưới 3 lần thì mức độ rủi ro được đánh gía là thấp, từ 3 đến 5 lần

là trung bình, trên 5 lần là cao.

- Thái độ, ý thức của KH: chỉ tiêu này được đánh giá bằng việc tuân thủ các cam

kết với tổ chức cho vay, tuân thủ các qui định theo hợp đồng và sự hợp tác với tổ chức

cho vay trong thời gian vay vốn. Rủi ro s được đánh gía cao khi KH đùn đẩy trách

nhiệm trả nợ cho người khác, không hợp tác trong việc cung cấp thông tin chứng từ

theo yêu cầu của ngân hàng, KH sử dụng vốn sai mục đích, không thực hiện các cam

kết, vi phạm qui chế cho vay…

- Yếu tố pháp lý: các dấu hiệu rủi ro s được báo cáo nếu KH là bị đơn trong

các tranh chấp dân sự có ảnh hưởng đến khả năng trả nợ hoặc KH bị truy cứu trách

nhiệm hình sự có quyết định khởi tố

- Năng lực hành vi dân sự, khả năng lao động: RRTD s tăng nếu KH bị hạn chế

hoặc mất năng lực hành vi dân sự, mất khả năng lao động

- Các yếu tố về nhân khẩu học cũng là những chỉ tiêu cảnh báo sớm cần được

theo dõi và đánh giá. Bởi theo Crook 2004 các yếu tố như độ tuổi, thu nhập, tình

trạng sở hữu nhà, nghề nghiệp… là những nhân tố ảnh hưởng đên RRTD của KHCN.

Kết luận của nghiên cứu là một gia đình ít nợ hơn khi người chủ hộ trên 55 tuổi và

RRTD s giảm nếu tỷ lệ thu nhập dư nợ cao, người vay sở hữu nhà riêng và vẫn đang

làm việc.

Theo Miller 2012 , nữ giới tạo ra ít RRTD hơn nam giới do họ cẩn trọng hơn

và ít gây ra các rủi ro đạo đức hơn. Và theo nghiên cứu của Chapman 1990 , Weber và

Musshoff 2012 , họ cũng đồng tình với ý kiến trên.

(iii) Nhóm chỉ tiêu về tình hình môi trường/ngành nghề kinh doanh thay đổi

- Ngành nghề sản xuất kinh doanh chính của KH có chuyển biến xấu: KH hoạt

động trong ngành nghề sản xuất kinh doanh đang gặp khó khăn; KH gặp sự cố, bị trộm

c p, cháy nổ…

- KH thay đổi ngành nghề sản xuất kinh doanh chính: cần đánh giá xem KH có

thay đổi ngành nghề mới mà thuộc nhóm không được cấp tín dụng không.

(iv) Nhóm chỉ tiêu về tình hình nguồn trả nợ của KH và người có liên quan

- KH có thu nhập giảm và hoặc chi phí tăng: Rủi ro đối với nguồn trả nợ của

KH được đánh giá qua thu nhập từ lương, lợi nhuận… và chi phí bất thường, phát

sinh mới có tính chất thường xuyên . Khi thu nhập của KH giảm dưới mức chi phí thì

cần cảnh báo sớm RRTD.

(v) Nhóm chỉ tiêu về TSBĐ

- TSBĐ bị thiệt hại do trộm c p, thiên tai: mức độ thiệt hại càng lớn so với giá

trị TSBĐ thì RRTD càng cao

- TSBĐ đanh bị tranh chấp với bên thứ ba hoặc giữa các chủ sở hữu: Tất cả các

tranh chấp nếu có s gia tăng mức độ RRTD của KH vay vốn.

- TSBĐ nằm trong diện giải toả, nằm trong qui hoạch phát sinh sau giải ngân:

chỉ tiêu này s được đo lường bằng chênh lệch giữa thời gian qui hoạch, giải toả và thời

gian còn lại của khoản vay. Chênh lệch càng lớn thì mức rủi ro càng cao.

- TSBĐ bị giả mạo: khi tiêu chí này được điều tra và xác nhận TSBĐ bị giả mạo

thì cần cảnh báo mức độ rủi ro cao

- TSBĐ có nguy cơ không xử lý được: cần xác định nguyên nhân do yếu tố nào:

thị trường biến động, bị biến chất, hết hạn sử dụng…Nếu đánh giá khả năng TSBĐ có

1.2.2.2 Hệ thống chỉ tiêu và ngưỡng cảnh báo sớm rủi ro tín dụng đối với khách

hàng doanh nghiệp

nguy cơ không xử lý được thì cũng cần cảnh báo mức độ rủi ro cao.

Theo kinh nghiệm của các NHTM Mỹ và Châu Âu, bộ chỉ tiêu cảnh báo sớm

RRTD đối với KHCN gồm 6 nhóm chỉ tiêu sau: i Nhóm chỉ tiêu về tình hình quan hệ

giao dịch tín dụng của KH tại NHTM và các TCTD; ii Nhóm chỉ tiêu về tình pháp lý,

cơ cấu tổ chức, nhân sự của KH; iii Nhóm chỉ tiêu về tình hình môi trường ngành

nghề kinh doanh; iv Tình hình tài chính, sản xuất kinh doanh; v Tình hình nguồn trả

nợ; vi Tình hình TSBĐ.

Hình 1.4: Hệ thống chỉ tiêu cảnh báo sớm RRTD đối với KHDN

Nguồn: Tổng hợp của tác giả

(i) Nhóm chỉ tiêu về tình hình quan hệ giao dịch/tín dụng của KH tại NHTM và

các TCTD

- Ngoài các chỉ tiêu cảnh báo sớm về số ngày nợ quá hạn, tần suất phát sinh nợ

quá hạn, xếp hạng KH và phân loại nhóm nợ như đối với KHCN thì để cảnh báo sớm

RRTD đối với KHDN còn cần quan tâm đến các chỉ tiêu về: tình hình vay nợ của chủ

sở hữu doanh nghiệp là tổ chức cá nhân có đóng góp trên 50% vốn cổ phần. Nếu chủ

sở hữu doanh nghiệp có nợ quá hạn, nợ xấu tại các TCTD thì mức độ rủi ro của khoản

vay doanh nghiệp s được cảnh báo ở mức cao hơn.

- Doanh số giao dịch qua tài khoản của KH tại ngân hàng: chỉ tiêu này được

đánh giá thông qua mức giảm sút so với năm trước

- KH vi phạm các thoả thuận về cung cấp thông tin và không có thiện chí trả nợ:

chỉ tiêu này được đánh giá qua mức độ chính xác của các thông tin KH cung cấp về

mục đích sử dụng vốn vay, thông tin tài chính, thông tin phi tài chính. Nếu các thông

tin này có sự sai lệch so với kết quả thẩm định thực tế từ 50% trở lên được coi là cần

cảnh báo rủi ro. Đặc biệt nếu thông tin KH cung cấp hoàn toàn không thể kiểm chứng

được hoặc KH giả mạo chứng từ, chữ ký, con dấu, không hợp tác thanh toán nợ vay thì

đó là những chỉ tiêu cảnh báo sớm rủi ro ở mức độ cao nhất.

(ii) Nhóm chỉ tiêu về tính pháp lý, cơ cấu tổ chức, nhân sự của KH

- KH bị thanh tra, điều tra, cưỡng chế thu nợ thuế hoặc bị buộc thi hành án

dân sự

- KH thay đổi người điều hành hoặc cổ đông: mức độ rủi ro được cảnh báo tuỳ

vào tỷ lệ góp vốn của thành viên thay đổi, tỷ lệ góp vốn của thành viên này càng cao

thì mức ảnh hưởng đến doanh nghiệp càng lớn

- KH có cơ sở sản xuất kinh doanh không đảm bảo an toàn lao động: chỉ tiêu

này được đo lường qua mức độ ảnh hưởng trọng yếu hay không đến tình hình kinh

doanh. Cấp độ rủi ro cao nhất là khi KH bị yêu cầu ngưng sản xuất và không thể

kh c phục.

- KH là tổ chức bị giải thể, ngừng hoạt động, chia tách, hợp nhất, sát nhập, chuyển

đổi hình thức, cổ phần hoá: mức độ cảnh báo rủi ro được xác định trên việc KH có thông

báo với ngân hàng cho vay không và có được ngân hàng chấp nhận không.

(iii) Nhóm chỉ tiêu về tình hình môi trường/ngành nghề kinh doanh

- Mất đối tác truyền thống: mức cảnh báo rủi ro phụ thuộc vào giá trị hợp đồng

với đối tác này chiếm tỷ lệ bao nhiêu trên tổng doanh thu của KH, và KH có ký được

hợp đồng mới thay thế hay không

- KH bị tạm ngừng giao dịch hoặc thuộc diện bị kiểm soát, tạm ngừng giao dịch

trên sàn giao dịch chứng khoán

- KH phát sinh sự cố trộm c p, cháy nổ, sập công trình…: mức độ cảnh báo rủi

ro dựa trên mức độ thiệt hại chiếm tỷ lệ bao nhiêu trên vốn chủ sở hữu. Mức độ thiệt

hại quá cao có thể dẫn đến KH không thể tiếp tục hoạt động kinh doanh và RRTD rất

dễ xảy ra, cần cảnh báo sớm để có biện pháp kịp thời.

- Những yếu tố khác có ảnh hưởng đến môi trường kinh doanh của doanh

nghiệp như: xu hướng thay đổi của công nghệ, của quan hệ quốc tế, các xung đột về

chính trị, quân sự, dịch bệnh…Các yếu tố này s tác động đến tăng trưởng kinh tế nói

chung, làm xáo trộn thị trường tài chính có thể khiến các doanh nghiệp trì hoãn đầu tư

và xem xét lại toàn bộ các thoả thuận nguồn cung ứng cũng như các chuỗi giá trị liên

quan, dẫn đến ảnh hưởng tiêu cực đến các doanh nghiệp. Tuy nhiên mức độ tác động

và thiệt hại cần được cảnh báo sớm tuỳ thuộc vào đặc điểm và nguồn lực của từng

ngành, từng doanh nghiệp cụ thể.

(iv) Tình hình tài chính, sản xuất kinh doanh:

- Mức giảm doanh thu so với cùng kỳ năm trước: kinh nghiệm cho thấy mức

giảm doanh thu so với năm trước từ 30% đến 50% là cảnh báo rủi ro trung bình, trên

50% là rủi ro cao

- Lỗ luỹ kế đến thời điểm xét: tuỳ vào quy mô hoạt động của KH mà đưa ra các

giới hạn cảnh báo khác nhau với chỉ tiêu này, tuy nhiên mức lỗ luỹ kế nếu trên 30%

vốn chủ sở hữu thì thường được đánh giá là cảnh báo rủi ro cao

- Hệ số khả năng thanh toán hiện hành: đây là chỉ tiêu cảnh báo sớm quan trọng

với mọi KHDN vay vốn, hệ số thanh toán hiện hành càng thấp thì mức cảnh báo rủi ro

càng cao

- Nợ phải trả Vốn chủ sở hữu: hệ số này càng cao thì mức độ cảnh báo rủi ro

càng cao. Nếu hệ số này lớn hơn 10 thì thường mức độ cảnh báo s ở mức cao nhất

- Vòng quay vốn lưu động: hệ số này nhỏ hơn 1 là có rủi ro

(v) Tình hình nguồn trả nợ:

- Dự án do ngân hàng tài trợ hoặc dự án mang lại thu nhập chính bị ảnh hưởng:

mức độ rủi ro được quyết định dựa vào mức độ chậm tiến độ của dự án, hoặc mức vượt

dự toán ban đầu

- Nguồn trả nợ: mức độ cảnh báo rủi ro s tăng nếu nguồn trả nợ của KH là thu

nhập từ hoạt động đầu tư tài chính, hoặc các thu nhập bất thường

(vi) Tình hình TSBĐ:

- Các tiêu chí cảnh báo sớm RRTD đối với KHDN về tình hình TSBĐ tương tự

như với KHCN.

Ngoài ra, một số nghiên cứu của Das and Ghosh (2007); Funda (2014); Võ Thị

Quý và Bùi Ngọc Toản 2014 chỉ ra rằng các yếu tố vĩ mô có tác động đến RRTD của

KH đặc biệt là KHDN. Đó là các yếu tố như tăng trưởng GDP, lạm phát, lãi suất…

1.2.3 Đo lường rủi ro tín dụng

1.2.3.1 Phương pháp định tính

Phương pháp cảnh báo sớm RRTD phổ biến nhất là phương pháp chuyên gia.

Đây là phương pháp thu thập và xử lý những đánh giá dự báo bằng cách tập hợp và hỏi

ý kiến các chuyên gia giỏi thuộc một lĩnh vực hẹp của khoa học Wang, 2013; Li,

2015 . Quá trình áp dụng phương pháp chuyên gia có thể thành ba giai đoạn lớn:

- Lựa chọn chuyên gia;

- Trưng cầu ý kiến chuyên gia;

- Thu thập và xử lý các đánh giá dự báo.

Chuyên gia giỏi là người thấy rõ nhất những mâu thuẫn và những vấn đề tồn tại

trong lĩnh vực hoạt động của mình, đồng thời về mặt tâm lý họ luôn hướng về tương lai

để giải quyết những vấn đề đó dựa trên hiểu biết sâu s c, kinh nghiệm phong phú và

linh cảm nghề nghiệp nhạy bén.

Phương pháp chuyên gia dựa trên cơ sở đánh giá tổng kết kinh nghiệm, khả

năng phản ánh tương lai một cách tự nhiên của các chuyên gia giỏi và xử lý thống kê

các câu trả lời một cách khoa học. Nhiệm vụ của phương pháp là đưa ra những dự báo

khách quan về tình hình hiện tại và tương lai phát triển của một lĩnh vực khoa học dựa

trên việc xử lý có hệ thống các đánh giá dự báo của các chuyên gia.

Trong cảnh báo sớm RRTD phương pháp này dựa trên những kinh nghiệm đã

được đúc kết của các chuyên gia, qua đó để có thể tìm ra bản chất của mối quan hệ

giữa có đảm bảo trả nợ và các nhân tố ảnh hưởng đến nó. Kinh nghiệm được tích lũy

từ:

Những quan sát và trải nghiệm thực tế mang tính chủ quan;

Phỏng đoán về mối tương quan của các nhân tố nhân thân và đảm bảo trả nợ;

Các kiến thức tổng quát liên quan tới việc có đảm bảo trả nợ hay không?

Có rất nhiều mô hình sử dụng phương pháp chuyên gia như:

- Bảng câu hỏi đánh giá cổ điển;

- Hệ thống định tính;

- Hệ thống chuyên gia.

Trong XHTD, những mô hình này thường sử dụng mối quan hệ giữa trả nợ và

cho vay của đối tượng được đánh giá, để đưa ra những đánh giá về khả năng đảm bảo

trả nợ của người đi vay trong tương lai. Chất lượng của những mô hình này phụ thuộc

vào kinh nghiệm chủ quan của các chuyên gia tín dụng chính xác đến mức nào. Hơn

nữa, không chỉ những nhân tố liên quan tới khả năng đảm bảo trả nợ được xác định

bằng kinh nghiệm mà mức độ tương quan và trọng số của chúng trong toàn bộ đánh giá

cũng được đánh giá dựa trên những kinh nghiệm chủ quan.

Theo Sinkey 1998 cho rằng phương pháp chuyên gia là phương pháp được đa

số các nhà quản trị RRTD sử dụng để ước lượng RRTD. Khi KH đến vay vốn, ngân

hàng nhận được hồ sơ xin vay vốn, dựa trên các thông tin đó các chuyên gia phân tích

và đưa ra quyết định về việc cho vay. Với phương pháp này chủ yếu phụ thuộc kinh

nghiệm và kiến thức của chuyên gia. Theo Bullivant 2010 các ngân hàng đánh giá

thông tin của KH vay theo tiêu chuẩn 4C gồm có tính cách của người vay, năng lực của

người vay, sự đảm bảo khoản vay và điều kiện của người vay để quyết định cho KH

vay hay không cho vay. Theo Strischeck 2009 cho rằng hệ thống chuyên gia phổ biến

nhất để đánh giá RRTD là mô hình 5C, mô hình này bổ sung thêm tiêu chuẩn nguồn

tiền trang trải của khoản vay. Các chuyên gia phân tích đánh giá KH theo tiêu chuẩn

5C gồm có: tính cách của người vay, vốn, nguồn tiền trang trải khoản vay, sự bảo đảm

khoản vay, điều kiện của người vay.

Tính cách của người đi vay Character : được thể hiện qua danh tiếng, nền giáo

dục, tình trạng xã hội và hồ sơ tín dụng. Hồ sơ tín dụng phải phản ánh mục đích xin

vay rõ ràng, ý định trả nợ nghiêm túc, trung thực trong việc cung cấp tài liệu liên quan

đến tính hình tài chính.

Nguồn tiền trang trải khoản vay Cash Flow : chỉ tính thanh khoản của khoản

vay, bên ngân hàng yêu cầu người vay cung cấp các báo cáo tài chính gần nhất của

người vay, kỹ thuật chiết khấu dòng tiền.

Vốn Capital là nguồn hình thành nên tài sản, là vốn thuộc sở hữu của người

vay. Mức vốn sở hữu của người vay tham gia vào phương án kinh doanh thể hiện

mức độ cam kết cũng như mức rủi ro của người vay đối với hoạt động kinh doanh

của ngân hàng.

Tài sản thế chấp Collateral là sự đảm bảo và là nguồn trả nợ thay thế ngoài

dòng tiền trả nợ dự tính của KH. Giá trị của tài sản thế chấp phụ thuộc vào sự ổn định

và tính thanh khoản của tài sản.

Các điều kiện khác Conditions cũng được ngân hàng xem xét khi KH nộp đơn

xin vay. Ngân hàng cần phải biết được xu hướng hiện hành về công việc kinh doanh và

ngành nghề của người vay, cũng như các điều kiện kinh tế.

1.2.3.2 Phương pháp định lượng

Phương pháp thống kê là một trong những phương pháp nghiên cứu chính xác.

Phương pháp thống kê là một quá trình, bao gồm điều tra thống kê, khái quát hóa thông

tin còn gọi là tổng hợp thống kê), phân tích và dự báo. Đây chính là quá trình mô hình

hóa toán học các vấn đề cần phân tích theo mục tiêu của nghiên cứu.

Trong thực tế, tùy thuộc vào phương pháp thống kê được sử dụng trong cảnh

báo sớm RRTD ta có thể tiếp cận theo các mô hình thống kê sau:

- Mô hình phân tích phân biệt – Discriminant Analysis (DA);

- Mô hình hồi qui Logit và Probit;

- Mạng Neutral;

- Phương pháp lân cận gần nhất K;

- Phương pháp giải thuật di truyền Genetic Algorithm ;

- Sơ đồ cây phân loại Classification Tree Analysis .

Trong đó kĩ thuật phân tích phân biệt và hồi qui Logit là phương pháp được sử

dụng rộng rãi nhất.

Phương pháp phân tích phân biệt được phát triển bởi Beaver năm 1966 với

phương pháp phân tích biệt số đơn biến, sau đó được phát triển thành phân tích biệt số đa

yếu tố Multivariate Discriminant Analysis MDA bới Altman năm 1968 để đưa ra những

công cụ cảnh báo sớm RRTD đầu tiên bằng các hệ số tài chính của doanh nghiệp.

Theo Alman, MDA là một kỹ thuật thống kê được sử dụng để phân loại một

quan sát thành một trong một số nhóm tiên nghiệm phụ thuộc vào đặc điểm riêng của

quan sát. Nó được sử dụng chủ yếu để phân loại và hoặc đưa ra dự đoán trong các vấn

đề nghiên cứu. Trong đó biến phụ thuộc xuất hiện ở dạng định tính, ví dụ: nam hoặc

nữ, phá sản hoặc không phá sản. Do đó, bước đầu tiên là thiết lập phân loại nhóm rõ

ràng. Số lượng các nhóm ban đầu có thể là hai hoặc nhiều hơn.

Sau khi các nhóm được thiết lập, dữ liệu được thu thập cho các đối tượng trong

các nhóm; MDA sau đó cố g ng rút ra một sự kết hợp tuyến tính của các đặc điểm này

để có thể phân biệt một cách tốt nhất giữa các nhóm. Nếu một đối tượng cụ thể, ví dụ

như một công ty, có các đặc điểm tỷ số tài chính có thể được định lượng cho tất cả

các công ty trong phân tích, MDA xác định một tập hợp các hệ số phân biệt. Khi các hệ

số phân biệt này được áp dụng thực tế s thiết lập nên một cơ sở để phân loại tập hợp

quan sát thành các nhóm. Kỹ thuật MDA có lợi thế là xem xét toàn bộ hồ sơ về các đặc

điểm chung cho các công ty có liên quan, cũng như sự tương tác của các tính chất này.

Trong khi phân tích đơn biến chỉ có thể xem xét các phép đo được sử dụng cho các

mẫu quan sát một lần.

Một ưu điểm khác của MDA là giảm kích thước không gian của nhà phân tích,

tức là, từ số lượng biến độc lập khác nhau sang kích thước G - 1, trong đó G bằng số

lượng nhóm nguyên thủy ban đầu. Nghiên cứu của Almant liên quan đến hai nhóm, bao

gồm một bên là các công ty phá sản và một bên là các công ty không phá sản. Do đó,

phân tích được chuyển thành dạng đơn giản nhất: một chiều. Hàm phân biệt có dạng: Z

= v1XI + v2 X2 +. . + vn Xn. Biến đổi các giá trị biến riêng lẻ thành một điểm số phân

biệt hoặc giá trị Z , sau đó được sử dụng để phân loại đối tượng.

Trong đó:

v1, v2, ... vn = Các hệ số phân biệt

X1, X2 ,. . . Xn = Biến độc lập

MDA tính toán các hệ số phân biệt, vj, trong khi các biến độc lập Xj là các giá

trị thực. Trong đó, j = 1, 2, ... n.

Có l ưu điểm chính của MDA trong việc xử lý các vấn đề phân loại là tiềm

năng phân tích toàn bộ cấu hình biến của đối tượng đồng thời, thay vì kiểm tra tuần tự

đặc điểm riêng lẻ của nó Alman, 1968 .

Tuy nhiên hầu hết các nghiên cứu sau đó đều chỉ ra nhược điểm của phương

pháp MDA như sau: 1 Vi phạm giả định là phân phối chuẩn, 2 Không phù hợp cho

giải thích các biến độc lập Eisenbeis 1977 , 3 thiếu các rủi ro liên quan Zopounidis

và Doumpos 1999).

Phương pháp phân tích hồi qui Logit (Logistic được phát triển lần đầu tiên vào

năm 1980 bởi nghiên cứu của Ohlson, và ông khẳng định phương pháp này ưu việt

hơn, ít hạn chế hơn phương pháp MDA. Ông đã xây dựng thành công mô hình dự báo

RRTD Logit với 9 biến dự báo. Sau đó nhiều nghiên cứu khác cũng sử dụng phương

pháp của ông thay cho MDA như là Zavgren 1985; Altman và Sabato 2007; Altman,

Sabato và Wilson 2008).

Mô hình hồi qui Logit được thể hiện như sau:

( ⁄ )

+ Biến phụ thuộc Y là một biến nhị nguyên nhận giá trị 0 hoặc 1 , hay ký tự ng n.

+ Các biến độc lập có thể là biến định lượng, có thể là biến định tính hoặc gồm

cả biến định lượng và biến định tính.

+ Trong công thức này E Y X là xác suất để Y=1 tức là xác suất để sự kiện

xảy ra khi biến độc lập có giá trị cụ thể là . Ký hiệu biểu thức ) là z, ta có

thể viết lại mô hình hàm Binary Logit như sau:

( )

Vậy thì xác suất không xảy ra sự kiện là:

( ) ( )

Thực hiện phép so sánh giữa xác suất một sự kiện xảy ra với xác suất sự kiện đó

không xảy ra, tỷ lệ chênh lệch này có thể được thể hiện trong công thức:

( ) ( )

Lấy log cơ số e hai vế của phương trình trên rồi thực hiện biến đổi vế phải ta

được kết quả là:

[ ] ( ) ( )

Ta có thể mở rộng mô hình Binary Logit cho nhiều biến độc lập, nếu có n biến

độc lập thì ta có mô hình hồi qui như sau:

p dụng phương pháp tuyến tính hóa mô hình được viết thành:

Tương tự phương trình trên có thể gọi là dạng hàm hồi qui của mô hình nghiên

cứu. Cũng từ phương trình trên ta có thể hiểu các hệ số ước lượng bi của các biếnXi là

khi tăng 1 biến Xi nào đó 1 đơn vị và các biến khác giữ không đổi thì ln[Pi 1-Pi s

tăng tương ứng bi đơn vị. Còn nếu chỉ quan tâm đến chiều hướng tác động của các biến

độc lập thì ta thấy rằng hàm ln[Pi 1-Pi là hàm đồng biến với biến Pi tức là xác suất

xảy ra sự kiện Y=1 .Vì vậy nếu bi mang dấu dương thì khi tăng Xi s làm tăng khả

năng Y nhận giá trị 1 trong khi hệ số bi âm s làm giảm khả năng xác suất để Y nhận

giá trị 1.

Từ các biểu thức trên ta có:

Điều này được diễn giải là tác động biên của X1 lên xác suất Y nhận giá trị 1

phụ thuộc vào giá trị của B1. Tác động biến của X1 lên khả năng Y nhận giá trị 1 xác

định với xác suất ban đầu là P.

Mô hình Logit tương tự như mô hình MDA vì chúng là mô hình hồi quy, nhưng

biến phụ thuộc của Logit nằm trong điều kiện xác suất bị phá sản trong khoảng từ 0

đến 1, trong khi biến phụ thuộc của MDA là về điểm số điểm Z để phân loại nhóm

của các công ty phá sản và các công ty không phá sản. Ohlson 1980 nhận thấy rằng

có 3 tỷ số tài chính bao gồm 1 Vốn lưu động trên tổng tài sản - giống như kết quả của

Beaver 1966 và Altman 1968 2 Thu nhập ròng trên tổng tài sản - giống như kết

quả của Beaver 1966 3 tổng nợ trên tổng tài sản, là yếu tố dự báo tốt nhất trong mô

hình dự báo phá sản của các công ty.

Aziz 1984 đã sử dụng cả MDA và Phân tích Logit để so sánh hiệu quả dự

đoán của chúng. Nghiên cứu cho thấy cả hai mô hình đều cho tốc độ dự đoán ngang

nhau, hiệu quả của mô hình còn phụ thuộc vào đặc điểm của mẫu được lựa chọn và

thời điểm thực hiện nghiên cứu.

Casey, Mcgee và Stickney 1986 đã áp dụng Phân tích Probit để nghiên cứu

các công ty gặp khó khăn tài chính. Họ đã sử dụng 57 công ty hoạt động và 61 công ty

phá sản ở Mỹ trong giai đoạn 1970 đến 1981. Họ đã sử dụng phân tích độ nhạy và 20

thử nghiệm độc lập để kiểm tra tính chính xác của mô hình và cho kết quả tương đối

khả quan về khả năng dự báo RRTD của phân tích, điều này cho thấy phân tích probit

có thể thực hiện tốt để phân biệt các công ty trong giai đoạn đó.

Một số phương pháp thống kê khác như: phương pháp trí thông minh nhân tạo

(Artificial intelligence-AI , chẳng hạn như mạng Nơron nhân tạo Artificial neural

network -ANN West, 2000 , cây quyết định Decision tree-DT Jiang, 2009 , lập

luận dựa trên kinh nghiệm Case based reasoning-CBR Shin & Han, 2001 và máy hỗ

trợ vector (Support vector machine-SVM) Schebesch & Stecking, 2005 . Một số

nghiên cứu gần đây cho rằng, các phương pháp này có nhiều ưu việt hơn so với các

phương pháp thống kê truyền thống và có thể được sử dụng như là phương pháp đầy

tiềm năng để dự đoán RRTD của các KH vay vốn.

Như vậy, trong khi các mô hình cảnh báo sớm RRTD theo phương pháp xếp

hạng tín dụng nội bộ định tính phụ thuộc vào đánh giá chủ quan của các chuyên gia tín

dụng, những mô hình thống kê lại kiểm định các giả thuyết sử dụng các thủ tục thống

kê trên bộ dữ liệu thực nghiệm. Trong quá trình cảnh báo sớm RRTD, sử dụng các thủ

tục thống kê đòi hỏi việc đưa ra các giả thuyết liên quan tới khả năng đảm bảo trả nợ.

Những giả thuyết này xem xét đến khả năng đảm bảo trả nợ của KH là cao hay thấp

hơn khả năng trả nợ trung bình của những KH có khả năng trả nợ. Những thông tin về

khả năng trả nợ của mỗi KH đều được thể hiện qua bộ số liệu thực nghiệm, những giả

thuyết này có thể bị bác bỏ hoặc được chấp nhận một cách phù hợp.

Khi các thủ tục thống kê được sử dụng, thì sự lựa chọn và xác định trọng số cho

những nhân tố có ảnh hưởng đến khả năng trả nợ của cá nhân được tiến hành một cách

khách quan, từ những thông tin sẵn có về khả năng có thể trả nợ. Trong quá trình này,

sự lựa chọn và xác định trọng số được tiến hành chính xác bằng phương pháp thích

hợp. Vì vậy, KH có khả năng trả nợ hay không, s được phân loại trong bộ dữ liệu thực

nghiệm một cách tối ưu nhất. Sự phù hợp của mô hình thống kê, phụ thuộc rất lớn vào

chất lượng của bộ dữ liệu thực nghiệm. Thứ nhất, phải đảm bảo rằng bộ số liệu là đủ

lớn và thỏa mãn các giả thuyết về mặt thống kê. Thứ hai, đảm bảo rằng dữ liệu sử dụng

phản ánh chính xác lĩnh vực mà tổ chức tín dụng có kế hoạch sử dụng mô hình. Nếu

không thỏa mãn, việc phát triển mô hình xếp hạng thống kê s chỉ phân loại chính xác

đối với bộ dữ liệu thực nghiệm, nhưng không đưa ra được những kết luận đáng tin cậy

1.2.3.3 Phương pháp kết hợp

đối với tổng thể.

Những phân tích và nhận xét về các phương pháp cảnh báo sớm RRTD cho

thấy không có phương pháp nào tỏ ra toàn năng mà mỗi phương pháp có thể áp

dụng thích hợp cho một số nội dung đánh giá nhất định. Vì vậy, để tận dụng

những ưu điểm và hạn chế nhược điểm của mỗi phương pháp, người ta có thể áp

dụng phương pháp kết hợp.

Nội dung của phương pháp kết hợp là việc áp dụng nhiều phương pháp trong

quá trình đánh giá và với mỗi nội dung cần đánh giá chỉ áp dụng những phương pháp

đánh giá phù hợp với tiêu thức đó.

Các mô hình miêu tả ở phần trên ít khi sử dụng dưới các dạng thuần túy của

nó,mà thường được kết hợp với một hoặc hai dạng mô hình khác. Phương pháp kết hợp

này thể hiện có nhiều lợi thế vì chúng bổ sung cho nhau. Ví dụ, các mô hình thống kê

thực hiện chức năng phân loại tốt hơn so với các mô hình định tính. Tuy nhiên, các mô

hình thống kê về lý thuyết chỉ có thể thực hiện với một số giới hạn các nhân tố vỡ nợ

của KH. Hơn nữa, không phải tất cả các mô hình thống kê có khả năng thực hiện phân

tích với dữ liệu định tính một cách trực tiếp, hoặc chúng đòi hỏi một số lượng lớn dữ

liệu để tìm một hàm đúng như mô hình Logit, những dữ liệu này thường không có sẵn

trong ngân hàng dữ liệu. Để đạt được một bức tranh đầy đủ về mức độ tín nhiệm của cá

nhân trong những trường hợp như vậy, s rất thích hợp khi đánh giá dữ liệu định tính

bằng sử dụng mô hình định tính. Mô hình định tính đòi hỏi phải có một số lượng lớn

các chuyên gia trong quá trình phân loại và cảnh báo RRTD hơn so với trường hợp

đánh giá tín dụng tự động khi sử dụng các mô hình thống kê. Tóm lại sử dụng kết hợp

cả hai mô hình s gia tăng hiệu quả trong thực tế.

1.2.4 Đánh giá và phân loại rủi ro các khoản vay

Sau khi sử dụng bộ chỉ tiêu cảnh báo sớm RRTD và phương pháp đo lường

RRTD phù hợp để đánh giá mức độ RRTD của từng KH, hệ thống cảnh báo sớm

RRTD s thực hiện phân loại KH thành các mức rủi ro khác nhau, thường được ký hiệu

là xanh, vàng, đỏ

- Vùng cảnh báo xanh: KH có mức rủi ro thấp

- Vùng cảnh báo vàng: KH có mức rủi ro trung bình

- Vùng cảnh báo đỏ: KH có mức rủi ro cao

Sau khi được phân loại theo 3 vùng cảnh báo, KH cần được đánh giá thực tế

thực trạng nếu cần và áp dụng các phương pháp quản lý KH cụ thể tuỳ trên tình trạng

KH căn cứ trên quyết định của người lãnh đạo.

Các phương án quản lý KH được lựa chọn thường là:

- Phương án 1: đưa KH về trạng thái bình thường với trường hợp đánh giá KH

chưa rủi ro

- Phương án 2: đưa KH vào danh sách theo dõi và đề xuất hành động kiểm soát

cụ thể, tiếp tục điều tra trong thời gian tới và có báo caó

Các trường hợp được đưa vào danh sách KH theo dõi:

+ Chưa hẹn được KH để làm việc do KH bận, vướng lịch công tác

+ Đã đi kiểm tra và làm việc với KH nhưng chưa làm rõ được nguyên nhân và

rủi ro, cần được KH cung cấp thêm thông tin, hồ sơ, giấy tờ chứng minh

+ KH vi phạm tiêu chí phát sinh nợ quá hạn trên hệ thống cảnh báo sớm RRTD,

tuy nhiên tại thời điểm điều tra, KH đưa thông tin, lý do hợp lý và cam kết có nguồn

tiền về trong thời gian tới để trả hết nợ quá hạn

+ KH chưa hoàn thành các điều kiện tín dụng với ngân hàng, tuỳ mức độ có thể

s p xếp KH vào danh sách theo dõi để thực hiện đôn đốc, nh c nhở

- Phương án 3: Chuyển KH đến bộ phận quản lý nợ đối với các trường hợp đánh

giá rủi ro, có khả năng chuyển nợ quá hạn, cần áp dụng các phương án quản lý nợ

- Phương án 4: đề xuất chuyển KH tới khối quản lý và thu hồi nợ đối với KH rủi

ro cao.

1.2.5 Biện pháp ứng xử đối với các khoản vay có rủi ro

Theo Burt Edwards (2004), bộ phận giám sát hoặc cơ quan giám sát chuyên

trách nằm trong bộ phận QTRR cần sử dụng kết quả của hệ thống cảnh báo sớm RRTD

để lập danh sách KH cảnh báo. Giám đốc quan hệ KH và giám đốc quản lý rủi ro cần

có những giải thích kết luận của họ dựa trên trao đổi với các bên có liên quan về

hướng xử lý đối với những KH đó như theo dõi thêm, khoanh nợ, giãn nợ, tái cấu trúc,

phục hồi…

Khi đã lên danh sách theo dõi, và đặc biệt khi chuyển nhượng quan hệ KH cho

các đơn vị phục hồi quản lý, nhân viên của ngân hàng phải đánh giá lại tình trạng tài

chính của KH, xác định những nguyên nhân chính cho tình hình có phát sinh, xem xét

các tài liệu có liên quan tín dụng và tài sản thế chấp giá trị, khả năng tiêu thụ, an ninh

hợp pháp, tăng cường tài sản thế chấp nếu có thể , và lập lên một chiến lược cho sự

hợp tác tiếp theo với KH và các biện pháp cũng phải được áp dụng cho nhóm nếu KH

là thành viên của một nhóm KH có liên quan).

Việc cảnh báo rủi ro gia tăng đòi hỏi các ngân hàng phải tăng cường giao tiếp

với KH. Đối với KH trên danh sách theo dõi, liên lạc chính của ngân hàng với KH vẫn

là phòng quan hệ KH, mặc dù có sự tham gia tích cực hơn từ đơn vị quản lý rủi ro.

Trong cuốn “Credit Risk Management” của Ken Brown 2014 đã đề xuất các

giải pháp xử lý khoản vay có rủi ro sau cảnh báo sớm RRTD là: (1) Cho vay thêm; (2)

Cơ cấu nợ; (3) Thanh lý tài sản bảo đảm; (4) Sử dụng công cụ phái sinh; (5) Bán nợ;

(6) thanh lý doanh nghiệp; (7) khởi kiện. Mỗi một biện pháp được lựa chọn s phụ

thuộc vào phân tích tình hình thực tế của từng trường hợp như: KH có thể cứu vãn tình

hình trả nợ hay không? Tình trạng dòng tiền của KH ra sao? Lãnh đạo công ty có đủ

năng lực hay không?...

Biện pháp cho vay thêm s có thể được lựa chọn như một giải pháp khi: Lãnh

đạo công ty có thái độ hợp tác và bản thân họ không phải là nguyên nhân gây ra vấn

đề; Nếu ngân hàng có thể nhận thêm TSBĐ có giá trị ít nhất gấp 2 lần số tiền giải ngân

thêm; Việc bổ sung nguồn có thể giúp người vay tránh được hoặc làm chậm lại nguy

cơ phá sản, tạo cơ hội hồi phục; Nếu ngân hàng có vị trí thứ cấp trong quyền truy đòi

TSBĐ, có thể s phải cho vay thêm để bảo vệ quyền lợi của mình; Ngân hàng thấy rằng

công ty thực sự còn triển vọng; Phải xác định được nguồn trả nợ thực sự ch c ch n.

Cơ cấu lại khoản vay: là hình thức áp dụng với KH gặp khó khăn tài chính tạm

thời, không có khả năng trả nợ đúng hạn nhưng được ngân hàng đánh giá là có khả

năng trả nợ trong thời gian cơ cấu lại. Các hình thức cơ cấu nợ như: điều chỉnh kỳ hạn

nợ, gia hạn nợ.

Ngoài ra còn có các phương án khác như thanh lý tài sản bảo đảm, thanh lý

doanh nghiệp, khởi kiện… để thu hồi toàn bộ khoản nợ trước hạn.

Tóm lại các hành động ngân hàng cần thực hiện sau kết quả cảnh báo sớm

RRTD là đánh giá nguy cơ khách hàng xảy ra rủi ro, mức độ tổn thất trong từng kịch

bản và lựa chọn biện pháp ứng xử phù hợp nhằm ngăn ngừa và hạn chế rủi ro xảy ra.

1.3 Quy trình xây dựng hệ thống cảnh báo sớm rủi ro tín dụng

Theo nghiên cứu của Accenture 2014 thì hệ thống cảnh báo sớm RRTD của

Nguồn: Accenture (2014)

NHTM nên được xây dựng theo năm bước như sau:

Hình 1.5: Qui trình xây dựng hệ thống cảnh báo sớm RRTD tại các NHTM

Bước 1: Xác định danh mục ưu tiên và khẩu vị rủi ro

Để xây dựng một hệ thống cảnh báo sớm RRTD hiệu quả thì trước tiên các

NHTM cần xác định rõ phân khúc KH mà mình đang cho vay: doanh nghiệp nhỏ và

vừa, KH tập đoàn hay KH bán lẻ? Tuỳ thuộc vào từng đối tượng KH, ngân hàng có thể

xem xét các yếu tố như: dự phòng tổn thất tín dụng, tính chu kỳ cùa doanh mục tín

dụng, quan điểm của nhà quản lý, hướng dẫn qui định, chính sách tín dụng của ngân

hàng để ưu tiên. Hơn nữa, mỗi phân khúc KH s có những đặc trưng về RRTD riêng,

do vậy các cơ sở dữ liệu và hệ thống chỉ tiêu cảnh báo sớm RRTD cần được xây dựng

phù hợp với khẩu vị rủi ro của từng ngân hàng.

Bước 2: Xây dựng cơ sở dữ liệu

Một giải pháp cảnh báo sớm toàn diện s sử dụng kết hợp cả dữ liệu nội bộ của

ngân hàng cũng như dữ liệu bên ngoài. Mặc dù hầu hết các ngân hàng trước đây đều

thiên về sử dụng dữ liệu nội bộ để cảnh báo sớm RRTD theo các phương pháp định

tính truyền thống. Nhưng theo một số nghiên cứu gần đây thì các ngân hàng thành công

hơn đã tạo ra sự khác biệt nhờ việc tận dụng và khai thác tối đa cả dữ liệu bên trong và

bên ngoài hệ thống của họ. Ví dụ như thay vì chỉ kiểm tra dữ liệu tài khoản tiền gửi KH

thì các hoá đơn nộp thuế, dữ liệu thị trường chứng khoán… có thể được thay thế. Các

ngân hàng này chú trọng nguồn thông tin của các dữ liệu thay thế, điều quan trọng là

ngân hàng cần đánh giá được giá trị và mức độ tin cậy của nguồn thông tin thay thế

dưới góc nhìn của nhà cung cấp tín dụng, tránh sự cám dỗ từ một số nguồn thông tin kĩ

thuật mới chỉ cung cấp những giá trị hạn chế và chưa đủ độ tin cậy như kĩ thuật phân

tích cảm xúc qua mạng xã hội. Nguồn cơ sở dữ liệu đầu của hệ thống bao gồm thông

tin được thu thập từ các tổ chức cơ quan bên ngoài có liên quan đến người vay và các

nguồn thông tin đại chúng hoặc những thông tin về hành vi trả nợ KH, hoạt động

thương mại của KH. Các nguồn thông tin cần thoả mãn các yếu tố về tính khả dụng, giá

trị sử dụng, mức độ tin cậy.

Việc xác định và liệt kê dữ liệu cần phải được liên kết với danh mục tín dụng cụ

thể của KH, đối tượng KH mục tiêu…Nếu áp dụng một hệ thống cảnh báo chung cho

tất cả các KH có thể dẫn đến giảm đáng kể hiệu quả kinh doanh, dẫn đến thua lỗ do số

lượng lớn các cảnh báo là không phù hợp.

Bước 3: Chỉ tiêu cảnh báo sớm

Để có khung cảnh báo sớm hiệu quả, điều quan trọng là nghiên cứu hành vi KH

trước thời điểm vỡ nợ trong bối cảnh nhiều dữ liệu khác nhau. Xác định nguy cơ rủi ro

trước khi KH phải đối mặt với khó khăn trong trả nợ để ngân hàng có thể đưa ra những

ứng phó thích hợp, kịp thời. Bên cạnh đó, nhiều nghiên cứu cũng chỉ ra mối quan hệ

giữa khả năng trả nợ của KH với bối cảnh kinh doanh của họ. Ví dụ một công ty nhỏ có

thanh khoản hạn chế s dễ mất khả năng trả nợ khi sụt giảm doanh số. Các chỉ tiêu kích

hoạt cảnh báo sớm chia thành hai nhóm: đơn giản và phức hợp. Các chỉ tiêu kích hoạt

cảnh báo đơn giản, một chiều và dễ n m b t và theo dõi, nhưng lại không tính đến tác

động của các yếu tố thực bên ngoài, nên khả năng cảnh báo thường không cao. Trong

khi các chỉ tiêu kích hoạt phức tạp có nguồn gốc từ một số kích hoạt đơn giản có thể là

yếu tố dự báo mạnh m hơn về tình trạng khách so với một biến đơn giản. Các biến

này có thể được kết hợp bằng cách sử dụng kỹ thuật thống kê nâng cao cùng với cảm

nhận trong kinh doanh và đánh giá chuyên gia. Ví dụ về chỉ tiêu kích hoạt cảnh báo

phức hợp: ngân hàng có thông tin rằng doanh nghiệp có hai quí liên tiếp suy giảm trong

nộp thuế thu nhập lớn hơn 25% và giảm trên 20% số lao động.

Sau khi xác định các chỉ tiêu kích hoạt cảnh báo thì cần quan tâm đến hai yếu tố

là: mức độ cảnh báo chính xác cao hay thấp và tốc độ cảnh báo nhanh hay chậm.

Mức độ cảnh báo cao hay thấp được đo lường bằng tỷ lệ KH thực sự vỡ nợ trên

tổng số KH bị cảnh báo

Tốc độ cảnh báo được đo lường qua độ trễ thời gian trung giữa thời điểm đưa

ra cảnh báo và thời điểm thực tế KH vỡ nợ.

Các chỉ tiêu kích hoạt cảnh báo sớm tốt cần thoả mãn cả hai điều kiện vì nếu

một chỉ tiêu kích hoạt đưa ra tỷ lệ cảnh báo đúng cao nhưng tốc độ cảnh báo kém thì s

không có ý nghĩa vì ngân hàng s không thể hành động kịp thời trước khi KH vỡ nợ. Ví

dụ: “KH đã quá hạn 2 nghĩa vụ trả nợ”, chỉ tiêu cảnh báo này thường có mức độ chính

xác cao với khoản nợ thứ 3 của KH này nhưng lại có tốc độ cảnh bảo không tốt, vì đưa

ra cảnh báo quá muộn trước khi KH vỡ nợ. So với chỉ tiêu kích hoạt cảnh báo khác

như: “ Suy giảm hai kỳ nộp thuế liên tục”, thì chỉ tiêu cảnh báo này có tốc độ cảnh báo

tốt hơn, chỉ tiêu này cho thấy KH đang gặp khó khăn trong mô hình kinh doanh và có

thể dẫn đến khó khăn trong tín dụng trong những tháng tới. Chỉ báo này giúp ngân

hàng kịp thời phát hiện vấn đề, đưa ra những hành động phù hợp kịp thời.

Bước 4: Chỉ tiêu rủi ro tổng hợp

Đây là một bước quan trọng nhằm tập hợp các yếu tố kích hoạt khác nhau và

tích hợp chúng vào danh mục điểm số danh sách theo dõi. Đây là bước then chốt quyết

định giải pháp cảnh báo sớm thành công. Sau khi các chỉ tiêu kích hoạt có liên quan

được đưa vào danh sách chỉ tiêu cảnh báo cho từng phân khúc KH và danh mục đầu tư

khác nhau dựa trên mức độ cảnh báo và tốc độ cảnh báo, mỗi chỉ tiêu cảnh báo s được

g n với một điểm số tác động tổng thể dựa trên phân tích thống kê dữ liệu lịch sử tại

ngân hàng, cảm nhận kinh doanh và đánh giá của chuyên gia. Đối với mỗi KH điểm số

được đưa ra dựa trên số lần xảy ra chỉ tiêu cảnh báo, tác động của cảnh báo và mức độ

cảnh báo, thêm nữa là mối tương quan giữa các chỉ tiêu cảnh báo.

Như vậy các NHTM thực hiện tổng hợp chỉ tiêu cảnh báo rủi ro theo nguyên

t c: i Xác định các chỉ tiêu kích hoạt cảnh báo và chỉ định ngưỡng ảnh hưởng cho

từng chỉ tiêu; nhóm các chỉ tiêu kích hoạt tương quan với nhau thành các loại dựa trên

ma trận tương quan. ii Xác định trình cảnh báo trong mỗi danh mục chỉ tiêu cảnh báo

có ngưỡng ảnh hưởng tối đa cho mỗi KH. iii Tổng số điểm tác động được điều chỉnh

dựa trên tương quan của các chỉ tiêu cảnh báo được chọn, cùng với điểm ảnh hưởng tối

đa từ mỗi loại chỉ tiêu cảnh báo được sử dụng để đưa ra điểm tổng hợp cuối cùng. iv

Thiết kế thang đánh giá để nhóm KH thành các nhóm khác nhau dựa trên điểm tổng

hợp cuối cùng.

Kết hợp tất cả các chỉ tiêu cảnh báo vào một chỉ số rủi ro tổng hợp s cung cấp

cho các tổ chức tài chính một số điểm được chuẩn hóa cho phép họ theo dõi tình trạng

KH đồng thời trên một quy mô tiêu chuẩn.

Nguồn: Accenture (2014)

Hình 1.6: Chỉ tiêu tổng hợp rủi ro

Bước 5: Lên kế hoạch hành động để giảm thiểu rủi ro

Phát triển và thực hiện một khung cảnh báo sớm s không có ý nghĩa trừ khi các

ngân hàng sẵn sàng tích hợp nó với các quy trình quản lý KH của họ cùng với việc

nâng cao kỹ năng xử lý cho nhân viên tín dụng. Xác định một KH gặp rủi ro s không

mang lại bất kỳ kết quả nào cho đến khi nhân viên tín dụng ngân hàng hiểu rõ hành

động mà KH b t buộc phải thực hiện.

Do vậy, ngân hàng đã đưa ra một hệ thống các hành động b t buộc được xác

định trước cho từng trường hợp có thể xảy ra với từng đối tượng KH khác nhau (ví dụ:

trước khi xử lý rủi ro, thảo luận với KH tìm giải pháp, kí kết giao ước bổ sung cùng

với các mục được đề xuất nhất định ví dụ: bảo lãnh lại, yêu cầu cập nhật tình hình tài

chính).

Ngoài ra, các ngân hàng nên tạo ra một hệ thống chuyên nghiệp để quản lý và

xử lý hiệu quả các trường hợp mà hệ thống cảnh báo sớm đưa ra cảnh báo.

1.4 Các điều kiện để xây dựng và triển khai hệ thống cảnh báo sớm rủi ro tín dụng

1.4.1 Điều kiện về cơ sở pháp lý và tổ chức

Để xây dựng hệ thống cảnh báo sớm RRTD hiệu quả thì các NHTM cần có một

khung pháp lý toàn diện và thống nhất về hệ thống quản lý rủi ro được đưa ra bởi các

cơ quan quản lý.

Tiếp đó, cơ sở pháp lý mà các NHTM cần để xây dựng hệ thống cảnh báo sớm

RRTD là các thông tư quy định và hướng dẫn công tác cảnh báo sớm RRTD, làm cơ sở

cho các NHTM xây dựng hệ thống cảnh báo sớm RRTD phù hợp với khẩu vị rủi ro,

chiến lược quản trị rủi ro, thị trường mục tiêu và phân khúc KH mục tiêu của mình. Bởi

vì mặc dù cảnh báo sớm RRTD là rất quan trọng, nhưng đối với một số sản phẩm hoặc

đối tượng KH cụ thể s tốn kém chi phí hơn các biện pháp QTRR khác và có thể không

cần thiết.

Tại mỗi quốc gia khác nhau, qui mô nguồn vốn, phạm vi hoạt động và tầm ảnh

hưởng của các nhóm NHTM có sự phân hoá mạnh, nên các cơ quan quản lý cũng cần

xây dựng cơ sở pháp lý cụ thể cho từng nhóm NHTM cho phù hợp. Theo kinh nghiệm

của các NHTM Mỹ thì không nên b t buộc xây dựng hệ thống cảnh báo sớm RRTD

cho tất cả các ngân hàng, mà có thể chỉ b t buộc với các ngân hàng có quy mô lớn

hoạt động nội địa hoặc quốc tế , các NHTM quy mô nhỏ thì không b t buộc nhưng

nên khuyến khích, để không tạo áp lực lớn về chi phí và công nghệ quá lớn đối với

những ngân hàng nhỏ.

Bản thân các NHTM cũng cần có những cơ sở pháp lý nội bộ về hệ thống cảnh

báo sớm RRTD để làm cơ sở cho các bộ phận thực hiện đúng chức năng và nhiệm vụ

của mình trong công tác cảnh báo sớm RRTD. Cần có những hướng dẫn cụ thể như

cuốn sổ tay cảnh báo sớm RRTD , trong đó hướng dẫn chi tiết về qui trình, điều kiện,

tiêu chuẩn… liên quan đến xây dựng hệ thống cảnh báo sớm RRTD. Đây s là cơ sở

pháp lý quan trọng để xây dựng và triển khai hệ thống cảnh báo sớm RRTD hiệu quả

tại mỗi NHTM.

Về cơ cấu tổ chức, các NHTM cần tổ chức công tác cảnh báo sớm RRTD với

dự tham gia của đầy đủ các bộ phận có liên quan như đơn vị kinh doanh, bộ phận

giám sát và cảnh báo rủi ro, bộ phận xử lý nợ, bộ phận công nghệ thông tin...Đặc

biệt cần có bộ phận chuyên trách về cảnh báo sớm RRTD làm đầu mối kết nối các

bộ phân có liên quan. Các bộ phận cần cung cấp đầy đủ thông tin kịp thời theo qui

định. Phối hợp với nhau chặt ch nhưng vẫn đảm bảo tính KH và độc lập trong công

tác cảnh báo sớm RRTD.

1.4.2 Điều kiện về hệ thống công nghệ thông tin và cơ sở hạ tầng

Để có thể xây dựng hệ thống cảnh báo sớm RRTD, các NHTM cần có hệ thống

thông tin và kỹ thuật phân tích có khả năng đo lường được rủi ro trong tất cả các hoạt

động nội bảng và ngoại bảng cân đối tài sản. Hiệu quả của quy trình đo lường RRTD phụ

thuộc nhiều vào chất lượng của hệ thống thông tin quản lý.

Khi xây dựng một thệ thống thông tin phục vụ việc cảnh báo sớm RRTD, các

NHTM cần phải đáp ứng được một số yêu cầu cơ bản như sau:

Hệ thống này phải hỗ trợ được việc tính toán và dự đoán được mức độ RRTD

của KH vay vốn,

Thông tin lưu trữ giúp thực hiện phân tích chuỗi sự kiện theo trình tự thời gian,

từ những sự kiện đơn lẻ,

Có khả năng đo lường được giá trị hoạt động hiện tại và tương lai với từng đối

tác khác nhau,

Đáp ứng được cả ba yêu cầu trên với nhiều cấp độ quy mô hoạt động ngân hàng

khác nhau, nhiều nhóm rủi ro khác nhau, nhiều loại sản phẩm khác nhau và nhiều đối

tác khác nhau.

Một vấn đề thường gặp phải khi xây dựng hệ thống thông tin phục vụ cảnh báo

sớm RRTD đó chính là tính tương thích của hệ thống, thuật ngữ “tính tương thích” này

muốn nói đến các thông tin giao dịch đơn lẻ cần tích hợp được với hệ thống cảnh báo

sớm RRTD trung tâm. Các nhà quản trị rủi ro cũng cần thiết lập được một cấu trúc dữ

liệu thông minh hỗ trợ cho quá trình phân tích, cảnh báo sớm RRTD. Một cấu trúc cơ

sở dữ liệu thông minh cần đạt được những thuộc tính sau:

- Có khả năng nhận biết các dấu hiệu cảnh báo sớm RRTD

- Biết các lỗi có thể gặp thông qua việc đánh giá tại nhiều thời điểm khác nhau

bằng các phương pháp đánh giá khác nhau.

Đây là một thử thách lớn đối với các nhà quản trị rủi ro của các NHTM tại các

quốc gia đang phát triển trong việc hoàn thiện hệ thống thông tin phục vụ hệ thống

cảnh báo sớm RRTD. Một trong những bài học chính sách quan trọng từ các cuộc

khủng hoảng tài chính trước đây đó chính là sự chính xác, sẵn sàng, kịp thời và cập

nhật của cơ sở dữ liệu trong khu vực tài chính. Những khó khăn mà các tổ chức tài

chính đối mặt trong việc xây dựng chiến lược quản trị rủi ro tốt hơn chẳng hạn như các

công thức kiểm định mô hình, tính toán giá trị tại rủi ro và hệ thống xếp hạng tín

nhiệm đồng thời phù hợp với chuẩn mực quốc tế chính là vì thiếu thông tin trong

những thời kỳ có tỷ lệ các khoản nợ khó đòi tăng cao. Trong những thời kỳ này, có thể

đã có nhiều dấu hiệu báo trước, nhưng do không thống kê và ghi nhận được nên xác

suất gặp lại các dấu hiệu này mà vẫn không nhận biết được là rất lớn. Những hạn chế

như thế này cần được kh c phục kịp thời. Đây chính là điều kiện đặc biệt quan trọng

cho sự phát triển các hệ thống cảnh báo sớm RRTD trong chiến lược quản trị RRTD

của các NHTM.

1.4.3 Điều kiện về nguồn lực

Hệ thống ngân hàng mỗi quốc gia đều trải qua nhiều chặng đường lịch sử phát

triển. Các giai đoạn phát triển đều đặt ra đòi hỏi về những yêu cầu nguồn nhân lực

tương ứng. Với các giai đoan mà hệ thống các NHTM có những đặc điểm phát triển

như: là thành phần chủ đạo trong hệ thống tài chính; tăng trưởng rất nhanh về quy mô;

sản phẩm ở giai đoạn sơ khai hàm lượng công nghệ chưa cao; năng lực cạnh tranh và

chất lượng tài sản chưa cao; hoạt động của các NHTM tồn tại nhiều yếu kém trong

công tác QTRR, đặc biệt là RRTD... các yếu tố này đang đặt ra các yêu cầu về nâng

cao chất lượng nguồn nhân lực của cả hệ thống NHTM nói chung và nhân lực bộ phận

QTRRTD và cảnh báo sớm RRTD nói riêng.

Hơn nữa, cảnh báo sớm RRTD là một hệ thống qui mô và kĩ thuật không đơn

giản, đòi hỏi chất lượng nguồn nhân lực cao mới đáp ứng được. Để có thể xây dựng hệ

thống cảnh báo sớm RRTD, các NHTM cần có nguồn nhân lực chất lượng cao về các

khâu: xây dựng cơ sở dữ liệu, công nghệ thông tin, phân tích định lượng, chuyên gia

quản lý, xử lý nghiệp vụ… Có như vậy nhân sự của các NHTM mới có thể làm chủ

được hệ thống cảnh báo sớm RRTD, không phụ thuộc vào các chuyên gia nước ngoài,

hơn nữa cũng s hiệu quả và tốn ít chi phí hơn thuê ngoài.

1.5 Kinh nghiệm quốc tế về xây dựng và triển khai hệ thống cảnh báo sớm rủi

ro tín dụng và bài học cho các ngân hàng thƣơng mại Việt Nam

1.5.1 Kinh nghiệm của các ngân hàng thương mại Mỹ

Thứ nhất, xác định đúng mục đích và tầm quan trọng của hệ thống cảnh báo

sớm RRTD tại các NHTM là vô cùng quan trọng.

Kinh nghiệm của các ngân hàng Mỹ cho thấy các ngân hàng có hoạt động giám

sát và hệ thống cảnh báo sớm RRTD hiệu quả có thể giảm 60% dư nợ của KH có rủi

ro, được đưa vào danh sách cảnh báo sớm đến thời điểm nó thực sự vỡ nợ, trong khi

mức trung bình của các ngân hàng là 20% và các ngân hàng không có hoạt động giám

sát, cảnh báo sớm và không có kế hoạch hành động rõ ràng, hiệu quả thì thậm chí còn tăng dư nợ cho KH ngay trước thời điểm phá sản3. Điều này cho thấy nếu ngân hàng có

hệ thống cảnh báo sớm RRTD hiệu quả thì s giảm đáng kể tổn thất RRTD nhờ có

những hành động hiệu quả để: giảm thiểu khả năng KH vỡ nợ, tăng giá trị TSBĐ và

Nguồn: McKinsey & Company (2012)

giảm dư nợ cho các khoản vay có rủi ro.

Hình 1.7: Biểu đồ tình hình giảm dƣ nợ ròng đến thời điểm vỡ nợ đối

với KH có rủi ro tại các NHTM Mỹ

Hệ thống cảnh báo sớm RRTD tại các ngân hàng Mỹ dựa trên nguyên t c xác

3 Theo kết quả khảo sát của McKinsey & Company

định người vay có nguy cơ gặp khó khăn hoặc vỡ nợ. Nó không chỉ tích hợp một cơ

sở dữ liệu đáng tin cậy và các số liệu thống kê nghiêm ngặt mà còn phải đảm bảo

các yếu tố thành công khác được đặt ra, đặc biệt là sự kết hợp chặt ch giữa các bộ

phận: cho vay, tác nghiệp, giám sát, quản trị rủi ro... Các trường hợp được cảnh báo

s được đưa vào các mức độ theo dõi tuỳ thuộc mức độ nghiêm trọng của rủi ro. Sau

khi đưa vào các danh sách theo dõi, một tập hợp các hành động nhằm giảm thiểu rủi

ro s được kích hoạt, bao gồm một số hành động b t buộc và các hành động khác là

tuỳ chọn ví dụ: giảm dư nợ tín dụng hoặc tăng lãi suất… .

Nghiên cứu của McKinsey cho thấy các ngân hàng có thông lệ tốt về giám sát

và cảnh báo sớm RRTD có hệ thống chỉ tiêu cảnh báo rất đầy đủ nhằm phân loại và

thiết lập danh sách KH cảnh báo. Quyết định cuối cùng được đưa ra bởi giám sát viên

chuyên gia , người có kinh nghiệm trong việc đưa ra các ngưỡng cảnh báo rủi ro. Để

hiệu quả hơn nữa thì McKinsey khuyến nghị rằng các ngân hàng nên xây dựng hệ

thống cảnh báo sớm RRTD dựa trên phân tích thống kê về các yếu tố kích hoạt hoặc

phạm vi ngưỡng rủi ro của các chỉ số cảnh báo dựa trên lịch sử. Ngoài ra hệ thống cũng

cần bao gồm các thông tin định tính.

Thứ hai, các NHTM cần thường xuyên tối ưu hóa và nâng cấp các hoạt động

giám sát và cảnh báo sớm RRTD hiện có thông qua ba giai đoạn: đánh giá, định nghĩa

mô hình mục tiêu và triển khai. Mỗi giai đoạn bao gồm một tập hợp các hoạt động khác

Nguồn: McKinsey & Company (2012)

nhau và các sản phẩm cuối được xác định rõ ràng:

Hình 1.8: Qui trình xây dựng hệ thống cảnh báo sớm tại các NHTM Mỹ

Giai đoạn 1: đánh gía hệ thống hiện thời cần tập trung vào các tiêu chí như:

i Tỷ lệ cảnh báo trúng, bao nhiêu KH được g n cờ cảnh báo bởi hệ thống hoặc các

trình kích hoạt, tỷ lệ KH chuyển sang danh sách cảnh báo. ii Tỷ lệ lựa chọn đúng,

bao nhiêu KH không được n m b t bởi hệ thống. iii Tính hồi qui, các chỉ tiêu cảnh

báo được hồi qui đơn phương hay kết hợp. iv Tính kịp thời, thời gian trung bình từ

khi hệ thống đưa ra cảnh báo đến khi rủi ro là bao lâu.

Giai đoạn 2: Thiết kế mô hình mục tiêu: bước này cần chú trọng đến tính cân

đối giữa lỗi alpha và lỗi Beta. Có nghĩa là cần xem xét tính hiệu quả cảnh báo quá

nhiều KH và tính đầy đủ bỏ qua nhiều KH mà thực sự sau này có rủi ro . Việc xây

dựng hệ thống mô hình giám sát và cảnh báo KH cần trả lời các câu hỏi sau:

- Ngân hàng nên sử dụng bao nhiêu phân hạng KH?

- Điều kiện để phân loại KH cho từng phân hạng là gì? Làm thế nào để kết hợp

các đánh giá khác nhau để cho ra kết quả cuối cùng.

- Những hành động phòng ngừa xử lý nào được áp dụng cho từng danh sách

theo dõi? Tiêu chí nào để lựa chọn các hành động xử lý cụ thể.

- Dư nợ tín dụng tại thời điểm vỡ nợ của KH EAD tác động như thế nào đến

các hành động xử lý.

- Biện pháp bổ sung nào có thể thực thi nếu các hành động xử lý không đưa laị

kết quả như kì vọng.

- Các bài học xử lý thành công rủi ro trong quá khứ có thể áp dụng như thế nào

cho các trường hợp mới phát sinh.

Giai đoạn 3: Điều quan trọng là việc thiết lập đơn vị giám sát cho phép đánh giá

độc lập KH và đơn vị đó có ảnh hưởng cần thiết để theo dõi và ra được các quyết định

quan trọng. Trong bối cảnh này, các ngân hàng phải điều tra một số câu hỏi:

- Vai trò và chức năng nhiệm vụ của bộ phận cảnh báo là gì? Có đối nghịch với

bộ phận tín dụng và quan hệ KH không?

- Bộ phận cảnh báo được đặt ở đâu trong cơ cấu tổ chức của đơn vị, họ gửi báo

cáo cho ai?

- Những qui định nào đã có để hỗ trợ cho hoạt động giám sát và cảnh báo nợ?

Cụ thể, điều cần thiết là phải làm rõ về năng lực và hệ thống phân cấp leo thang

để phân loại, kiểm soát khoản vay và giảm thiểu rủi ro:

- Ai là người qua quyết định cuối cùng về phân loại cảnh báo KH?

- Ai đề xuất và ai thực thi các hành động phòng ngừa rủi ro đối với danh sách

KH được cảnh báo.

- Ai là người quản lý việc chấp hành tuân thủ về tính kịp thời với các giải pháp

được đề ra và kết qủa thực hiện các giải pháp đó.

Cuối cùng, để đảm bảo hệ thống vận hành trơn tru và hiệu quả thì sự hỗ trợ của

cơ sở hạ tầng và công nghệ thông tin là vô cùng quan trọng.

- Làm thế nào để thiết kế qui trình vận hành hiệu quả, tự động, các công cụ hỗ

trợ tốt hay không? Có được vận hành tự động không?

- Ngân hàng làm thế nào quản lý danh sách KH cảnh báo ví dụ: kế hoạch giảm

dự nợ?, nếu tăng dự nợ thì điều gì s xảy ra?

- Hiệu quả tổng quan của quá trình được theo dõi và báo cáo như thế nào?

Thứ ba, theo kinh nghiệm của các NHTM Mỹ, 6 nhân tố được chia thành 3

Nhân tố cơ bản

1. Hệ thống cảnh báo sớm hiệu quả: phát hiện KH rủi ro bao gồm: + Các cảnh báo kỹ thuật nghiệp vụ, cảnh báo chuyên gia, dữ liệu bên ngoài +Các cảnh báo riêng và ngưỡng cảnh báo cụ thể cho từng phân khúc ngành nhất định

Mô hình và nguyên t c phân loại

2. Các danh sách KH cảnh báo phải phản ánh các mức độ cảnh báo rủi ro khác nhau

3. Xác định laị các chiến lược hành động sớm để giảm thiểu rủi ro cho từng loại KH

Quản lý danh sách KH cảnh báo

4. Giám sát báo cáo hiệu quả của các biện pháp xử lý nguyên nhân có thể không thành công của các biện pháp đó

5. Đảm bảo tính độc lập của bộ phận cảnh báo sớm

6. Giám sát và ra quyết định cuối cùng trong phân loại KH và hành động cần thiết với danh sách KH cảnh báo

nhóm sau đây s quyết định một hệ thống giám sát và cảnh báo RRTD hiệu quả.

Hình 1.9: Cấu trúc hệ thống cảnh báo sớm RRTD tại các NHTM Mỹ

Nguồn: McKinsey & Company (2012)

Trong hệ thống cảnh báo sớm RRTD thì các nghiên cứu đã chỉ ra rằng, yếu tố

cốt lõi và quan trọng nhất là mô hình và nguyên t c phân loại KH thành các mức độ

cảnh báo rủi ro khác nhau. Chất lượng của hệ thống cảnh báo được quyết định bởi việc

lựa chọn các dấu hiệu chỉ tiêu cảnh báo và phương pháp tổng hợp chúng. Điều quan

trọng nữa là với mỗi nhóm KH với các đặc trưng khác nhau cần xác định các chỉ tiêu

cảnh báo phù hợp. Ví dụ một vấn đề khó khăn về tài chính của chủ doanh nghiệp có thể

là dấu hiệu quan trọng để cảnh báo rủi ro với doanh nghiệp nhỏ và vừa, tuy nhiên với

các doanh nghiệp lớn thì các vấn đề khác như triển vọng phát triển của ngành, vị thế

của doanh nghiệp trong ngành mà nó hoạt động lại cần được xem xét. Như vậy, hệ

thống cảnh báo sớm tốt cần bao gồm được các chỉ tiêu cảnh báo sau:

- Các thông tin tự động có sẵn từ hệ thống: xếp hạng tín dụng, ngày quá hạn, vi

phạm hạn mức tín dụng…

- Các thông tin mới điều tra: Thông qua đánh gía phân tích chuyên môn của cán

bộ quản lý rủi ro như: vấn đề cá nhân của chủ doanh nghiệp, suy giảm chất lượng các

khoản phải thu…

- Các thông tin bên ngoài: các tin bất lợi về KH vay vốn được công bố qua các

cơ quan quản lý, phương tiện thông tin đại chúng.

Các ngân hàng cần xây dựng hệ thống cảnh báo sớm RRTD cho KH của họ dựa

trên bối cảnh kinh doanh, đại lý và văn hóa kinh doanh của họ. Thường thì ngân hàng

cho vay với tỷ lệ KHCN nhiều hơn thì các chỉ tiêu tự động từ hệ thống tín dụng và các

thông tin tài chính s ít quan trọng hơn các sự kiện định tính và thông tin bên ngoài, khi

xác định rủi ro KH. Ngược lại các ngân hàng có danh mục cho vay doanh nghiệp lớn

thì lại cần dựa vào các chỉ tiêu tài chính tự động. Từ danh sách dài hơn 50 các tín hiệu

cảnh báo sớm cần phải xác định được 10 đến 15 dấu hiệu phù hợp nhất với KH mình

cho vay. Để làm được như vậy, các ngân hàng cần thực hiện các bước:

- Xây dựng mẫu dữ liệu để phát triển hệ thống cảnh báo sớm RRTD, đảm bảo

mẫu mang tính đại diện đầy đủ các đặc trưng của KH thực tế.

- Tính toán tỷ lệ cảnh báo đúng của các chỉ tiêu cảnh báo riêng lẻ. Phân loại các

cảnh báo hiếm khi xảy ra.

- Thử nghiệm riêng lẻ các chỉ tiêu cảnh báo với tỷ lệ cảnh báo đúng cao. Đảm bảo

rằng các chỉ tiêu này chỉ ra đúng các KH có vấn đề thường xuyên hơn các KH bình thường.

- Tiến hành hồi qui đa biến để loại trừ các chỉ tiêu cảnh báo sớm dư thừa

- Kiểm định lại để tránh loại bỏ các chỉ tiêu cảnh báo có khả năng cảnh báo các

trường hợp mất khả năng thanh toán lớn trong quá khứ, đảm bảo hệ thống cảnh báo

sớm RRTD được tối ưu, không chỉ quan tâm đến số lượng các trường hợp cảnh báo

đúng mà còn quan tâm đến những trường hợp đặc thù có dư nợ lớn.

- Phân tích thời gian trung bình giữa sự xuất hiện các cảnh báo và thời điểm vỡ

nợ thực sự của KH để tìm mối liên quan và xếp hạng mức độ quan trọng và kịp thời

của các cảnh báo.

Vậy làm thế nào để phát triển một hệ thống chỉ tiêu cảnh báo sớm hiệu quả?

Thực tế thì hệ thống này cần kết hợp 2 yếu tố: dữ liệu phân tích thống kê và ý kiến của

chuyên gia để xác định các chỉ tiêu định tính.

Một danh sách ng n các kích hoạt cảnh báo sớm tiềm năng cần phải được b t

nguồn từ một tập hợp hơn 50 tín hiệu cảnh báo sớm tiềm năng. Ngân hàng nên chọn

những tín hiệu có ý nghĩa kinh tế cho danh mục đầu tư, nghĩa là những tín hiệu có liên

quan đến KH rủi ro. Tất cả các kích hoạt được liệt kê ng n sau đó trở thành đối tượng

để phân tích thống kê.

Một mẫu dữ liệu trong thời gian dài ví dụ 24 tháng được xây dựng bao gồm cả

khoản vay có khả năng trả nợ và không có khả năng trả nợ, nghiên cứu các kích hoạt hệ

thống cảnh báo được đưa ra 1 năm trước khi KH vỡ nợ.

Cuối cùng, các ngân hàng cần cân nh c một số dấu hiệu cảnh báo, có thể nó

không có ý nghĩa trong thống kê nhưng lại là quan trọng khi đánh giá rủi ro của một số

tình huống điển hình trong qúa khứ, cân nh c xem có nên giữ lại các chỉ tiêu cảnh báo

Nguồn: McKinsey & Company (2012)

sớm như vậy hay không?

Hình 1.10: Mô tả ví dụ về việc chọn lọc các chỉ tiêu cảnh báo sử dụng

Ví dụ này đưa ra 8 chỉ tiêu cảnh báo sớm bao gồm: số ngày quá hạn khoản vay,

sử dụng thấu chi ng n hạn của KH, tình trạng sử dụng hạn mức tín dụng, quá hạn trả

góp, giảm bậc tín nhiệm chấm điểm tín dụng, đánh giá tín dụng đã quá cũ, KH nằm trong danh sách KH xấu, dữ liệu tài chính cũ, 8 chỉ tiêu cảnh báo kĩ thuật này được

theo dõi hiệu quả phân loại KH thành hai nhóm tốt và xấu. Nếu mức độ chọn lọc và

phân loại của chỉ tiêu vào lớn hơn 1 có nghĩa là nó có ý nghĩa và được lựa chọn để tiếp tục phân tích thống kê, còn bằng 1 thì có nghĩa là không có ý nghĩa phân loại và có thể

bị bỏ ra khỏi hệ thống chỉ tiêu cảnh báo sớm trong hệ thống.

Các ngân hàng Mỹ theo kinh nghiệm của mình cũng đưa ra phân tích khoảng

Nguồn: McKinsey & Company (2012)

thời gian trung bình giữa thời điểm xuất hiện dấu hiệu cảnh báo với thời điểm vỡ nợ của KH như biểu đồ dưới đây:

Hình 1.11: Minh hoạ thời điểm xuất hiện dấu hiệu cảnh báo sớm và thời

điểm vỡ nợ của KH theo kinh nghiệm tại NHTM Mỹ

Các chỉ tiêu cảnh báo có ý nghĩa nên xuất hiện và tạo ra các kích hoạt cảnh báo ít

nhất 7 tháng trước thời điểm vỡ nợ thực sự của KH. Một số chỉ tiêu cảnh báo xuất hiện

trước khi KH vỡ nợ 4 tháng hoặc gần hơn được coi là các dấu hiệu cảnh báo muộn.

Thứ tư, quản lý KH trong danh sách cảnh báo là vấn đề cốt lõi quyết định hiệu

quả của hệ thống cảnh báo sớm RRTD

Phân loại KH rủi ro thành các danh mục theo dõi khác nhau chỉ là bước đầu tiên

để xây dựng hệ thống cảnh báo sớm RRTD hiệu quả. Giá trị của hệ thống này cuối

cùng là việc xác định đúng và tuân thủ các hành động giảm thiểu rủi ro đã được xác

định. Để đảm bảo hiệu quả quản lý KH trong danh sách theo dõi, cả hai hành động

giảm thiểu rủi ro b t buộc và tùy chọn như giảm giới hạn tín dụng không được cam

kết hoặc tăng tài sản thế chấp phải được xác định trước và phân biệt cho từng loại KH.

Để đảm bảo kỷ luật, những sai lệch so với các hành động b t buộc cần phải có sự chấp

thuận rõ ràng từ cơ quan có thẩm quyền. Sự hợp tác nhịp nhàng của đơn vị giám sát

cảnh báo rủi ro, bộ phận cấp tín dụng và KH là rất quan trọng. Hệ thống giám sát và

cảnh báo sớm hiệu quả đòi hỏi cải tiến liên tục. Khả năng dự đoán của hệ thống có thể

được cải thiện theo thời gian bằng các phân tích, bao gồm các đánh giá thường xuyên,

chẳng hạn như kiểm tra lại hệ thống tham số được lựa chọn và ngưỡng cảnh báo hoặc

điều tra kỹ lưỡng các trường hợp rủi ro mà không bao giờ xuất hiện trong danh sách

theo dõi. Hệ thống cảnh báo sớm tốt không chỉ là sự xuất s c trong việc xác định KH

rủi ro, nó còn là các hành động quyết định để giảm rủi ro cho ngân hàng. Một chỉ số tốt

khác cho thấy danh sách theo dõi hoạt động tốt như thế nào là giảm mức dư nợ ròng

của KH được liệt kê.

Nguồn: Michael Strumpf, Christian Schaefle (2015)

Hình 1.12: Quản lý KH trong danh sách cảnh báo tại các NHTM Mỹ

Hình trên là mô tả về trách nhiệm và mối liên hệ giữa các bộ phận thực thi cảnh

báo sớm RRTD tại một NHTM Mỹ:

Với 3 giai đoạn chính là phân loại KH theo mức độ rủi ro, giảm thiểu rủi ro và

kiểm soát.

- Trong giai đoạn phân loại KH theo mức rủi ro: bộ phận kinh doanh s có vai

trò đề xuất các dấu hiệu cảnh báo sớm, đề xuất các KH rủi ro. Bộ phận quản lý rủi ro s

đề xuất danh sách KH cần theo dõi. Bộ phận quản lý s ra quyết định về phân loại KH.

- Hành động giảm thiểu rủi ro: bộ phận kinh doanh đề xuất đo lường và kế

hoạch giảm thiểu rủi ro, bộ phận quản lý rủi ro có nhiệm vụ hỗ trợ đơn vị kinh doanh

trong việc thực thi đo lường và triển khai giảm thiểu rủi ro. Bộ phận quản lý phê duyệt

kế hoạch thực thi.

- Giám sát: bộ phận quản lý s có nhiệm vụ giám sát toàn bộ quá trình hành động

1.5.2 Kinh nghiệm của các Ngân hàng thương mại Séc

Thứ nhất, các NHTM Séc chú trọng xây dựng một hệ thống kiểm soát và cảnh

báo sớm RRTD nội bộ toàn diện trong đó có:

i Hệ thống cảnh báo các dấu hiệu bất thường của các khoản tín dụng

được nghiên cứu và đi vào hoạt động để có thể kh c phục kịp thời tránh tổn thất

xảy ra; Hệ thống cảnh báo sớm này dựa trên hướng phân tích với dữ liệu đầu vào

là định tính.

ii Hoạt động “kiểm tra thử khủng hoảng” được thực hiện định kỳ hoặc

tại những thời điểm nền kinh tế có dấu hiệu bất ổn, để lượng hóa rủi ro chính xác

trong từng thời kỳ và có biện pháp phòng chống, dự phòng rủi r o, chính sách giá

phù hợp;

iii Hoạt động kiểm toán nội bộ với phương thức kiểm tra bất ngờ đang được

duy trì một cách rất hiệu quả đảm bảo tính tuân thủ tuyệt đối trong hệ thống

Thứ hai, trong quá trình xử lý rủi ro, các NHTM Séc chú trọng xây dựng chiến

lược trên các phân khúc KH khác nhau, lập kế hoạch cuộc gọi từ trung tâm call-center,

chấm điểm gian lận…Có chương trình đặc biệt để quản lý KH có rủi ro, các doanh

nghiệp mất khả năng thanh toán hoặc gặp căng thẳng tài chính.

NHTM Séc tách biệt độc lập bộ phận thanh lý tài sản thế chấp và thực hiện các

giao ước theo hợp đồng. Định giá tài sản có rủi ro để tối ưu hoá việc bán nợ đồng thời

chuẩn hoá thủ tục và qui trình tố tụng qua các cơ quan pháp lý.

Thứ ba, đối với KHCN các NHTM Séc sử dụng hệ thống dữ liệu gồm hai nội

dung chính: i Dữ liệu về năng lực pháp lý của KH, ii Dữ liệu về tình hình tài chính

và khả năng trả nợ của KH

(i) Dữ liệu về năng lực pháp lý của KH:

- Thông tin thu thập thông qua hoạt động kiểm tra sau cho vay, định kỳ đột

xuất Báo caó kiểm tra sau cho vay và qua quá trình tiếp xúc KH

- Nguồn khác: qua các kênh thông tin có thể khai thác trên thị trường.

(ii) Dữ liệu về tình hình tài chính và khả năng trả nợ của KH

- Thông tin sử dụng hạn mức, lịch sử trả nợ của KH tại ngân hàng và các

TCTD khác

- Thông tin về quan hệ tín dụng và TSBĐ của KH qua hệ thống trung tâm thông

tin tín dụng

- Thông tin thu thập thông qua hoạt động kiểm tra sau cho vay, định kỳ đột

xuất báo cáo kiểm tra sau cho vay và qua quá trình tiếp xúc KH

- Dòng tiền từ hoạt động kinh doanh của KH qua tài khoản

- Thông tin thu thập được từ các Phòng Ban nội bộ khác của ngân hàng như:

Khối QTRR, báo cáo vận hành, báo cáo kiểm toán nội bộ

Đối với KHDN hệ thống cảnh baó sớm RRTD nên được xây dựng dựa trên cơ

sở dữ liệu gồm: i Dữ liệu về môi trường kinh tế và chính sách nhà nước, ngành kinh

tế; ii Dữ liệu về năng lực sản xuất, điều hành, tài chính của KH; iii Dữ liệu về tình

hình trả nợ cũng như khả năng trả nợ của KH.

(i) Dữ liệu về môi trường kinh tế và chính sách nhà nước, ngành kinh tế

- Dữ liệu về môi trường kinh tế, chính sách nhà nước, ngành kinh tế: thông tin

từ các hiệp hội, tổ chức ngành nghề liên quan, qua các kênh thông tin có thể khai thác

trên thị trường, theo báo cáo, đánh giá định hướng ngành nghề của NHTM.

(ii) Dữ liệu về năng lực sản xuất, điều hành, tài chính của KH

- Dữ liệu về năng lực sản xuất, điều hành, tài chính của KH: thông tin này được

thu thập thông qua kiểm tra sau khi cho vay định kỳ đội xuất Báo cáo kiểm tra sau

cho vay và qua quá trình tiếp xúc KH. Phân tích tình hình tài chính định kỳ. Dòng tiền

từ hoạt động kinh doanh của KH qua tài khoản của ngân hàng.

(iii) Dữ liêụ về tình hình trả nợ cũng như khả năng trả nợ của KH

- Dữ liệu về tình hình trả nợ và khả năng trả nợ của KH: thông tin sử dụng hạn

mức, lịch sử trả nợ của KH tại ngân hàng và TCTD khác trong vòng 3 tháng gần nhất.

Thông tin về quan hệ tín dụng và TSBĐ của KH…

Các nguyên nhân chính của phá sản doanh nghiệp là các yếu tố tài chính nợ

quá nhiều, không đủ vốn, lợi nhuận thấp, v.v. và các yếu tố phi tài chính bỏ bê quản

lý, kinh nghiệm kém, thảm họa, lừa đảo, v.v. . Hầu hết các trường hợp thất bại xảy ra

vì một số yếu tố kết hợp để làm cho doanh nghiệp không bền vững.

1.5.3 Bài học cho các Ngân hàng Việt Nam

Từ kinh nghiệm thế giới về công tác quản trị RRTD và cảnh báo sớm RRTD

như trên, có thể rút ra một số bài học cho các NHTM Việt Nam như sau:

Thứ nhất, mục đích của hệ thống cảnh báo sớm RRTD phải được xác định

đúng, làm cơ sở để thiết lập các chỉ số cảnh báo sớm thích hợp,nhằm đánh giá chính

xác của nguy cơ RRTD tăng lên của từng KH vay vốn.

Theo kinh nghiệm của các ngân hàng Mỹ, Séc thì ngoài mục đích cảnh báo sớm

sự tăng lên của RRTD, hệ thống cảnh báo sớm RRTD còn có mục đích đưa ra những

hành động hiệu quả, kịp thời để chống lại quá trình chuyển sang trạng thái mất khả

năng trả nợ của KH vay vốn.

Kết quả của hệ thống cảnh báo sớm RRTD nhằm nhận diện và phân loại những

KH có nguy cơ RRTD, đưa họ vào danh sách theo dõi đặc biệt hoặc chuyển cho những

đơn vị quản lý và xử lý chuyên trách để quản lý hiệu quả và toàn diện hơn

Hệ thống này chỉ phù hợp đối với những KH có thể chuyển từ không vỡ nợ

thành vỡ nợ, không phù hợp với những KH đã thực sự vỡ nợ lúc này hệ thống cảnh

báo sớm không còn ý nghĩa .

Ngân hàng phải đưa ra một quy trình để cảnh báo sớm về RRTD tăng lên, trong

đó xác định kịp thời người có nghĩa vụ có nguy cơ tăng RRTD. Khi cần thiết, các ngân

hàng có thể đặt ra miễn trừ tín dụng từ các quá trình của các cảnh báo sớm về RRTD

tăng. Các NHTM Mỹ cho rằng việc đề xuất đúng lối ra cho các khoản nợ xấu là quan

trọng hơn việc thu hồi nợ

Thứ hai, các chỉ tiêu cảnh báo sớm RRTD định tính và định lượng cần

được nghiên cứu và xây dựng phù hợp trong hệ thống cảnh báo sớm RRTD tại

mỗi ngân hàng.

Theo kinh nghiệm về cấu trúc hệ thống cảnh báo sớm RRTD của các NHTM

Mỹ, bộ công cụ được xem như là khuyến cáo các chỉ số định lượng và định tính cho 1

hệ thống cảnh báo sớm RRTD tại các NHTM ở các quốc gia đang phát triển như Việt

Nam để cảnh báo sớm RRTD đối với KH vay vốn bao gồm:

+ Mức độ tin cậy tín dụng nợ phải trả tài chính / EBITDA);

+ An toàn vốn vốn cổ phần âm, không đủ tỷ lệ vốn chủ sở hữu ;

+ Khả năng trả lãi vay EBIT chi phí lãi ;

+ Dòng tiền suy giảm lớn hoặc EBITDA âm ;

+ Kết quả hoạt động suy giảm đáng kể trong doanh thu, lỗ ròng lớn ;

+ Những thay đổi về vốn lưu động ví dụ kéo dài của ngày bán hàng chịu và

ngày hàng tồn kho ;

+ DSCR độ bao phủ dịch vụ nợ; dòng tiền có sẵn số tiền hàng năm trả nợ ;

+ Suy giảm TSBĐ suy giảm đáng kể trong phạm vi tiếp xúc bằng tài sản

thế chấp ;

+ Suy giảm đáng kể trong các giao dịch trong tài khoản hiện tại cơ sở;

+ Giảm hạng tín dụng hoặc không hợp lệ xếp hạng nội bộ hoặc đánh giá hàng

năm của KH nhóm là quá hạn ;

+ Sử dụng thấu chi và hạn mức tín dụng với tỷ lệ cao và thường xuyên hơn;

+ Tuyên bố quá hạn nợ;

+ Không nộp thuế;

+ Vi phạm các cam kết trong hợp đồng tín dụng;

+ Yêu cầu bảo lãnh ngân hàng, yêu cầu sử dụng hối phiếu, khoản phải thu làm

tài sản thế chấp;

+ Thông tin có ý nghĩa tiêu cực từ môi trường hình ảnh phương tiện truyền

thông xấu, gặp vấn đề tư pháp thủ tục tố tụng, tranh chấp quyền sở, mất KH/nhà cung

cấp chính, vv ;

+ Suy giảm thông tin liên lạc với tổ chức;

Các chỉ số trên đã được lựa chọn theo các nguyên t c ưu tiên sự sẵn có của dữ

liệu thông tin cho ngân hàng, đơn giản dễ hiểu và dễ tính toán, nhưng thực tế các ngân

hàng có thể được mở rộng các tiêu chí phục vụ hệ thống cảnh báo sớm RRTD theo nhu

cầu và năng lực ngân hàng của mình. Ngoài ra các chỉ tiêu trong hệ thống cũng cần

thường xuyên được đánh giá xem xét và sửa đổi cho phù hợp với hoạt động kinh doanh

của từng ngân hàng.

Thứ ba, theo kinh nghiệm của các NHTM Mỹ và Séc thì hệ thống tổ chức hệ

thống cảnh báo sớm RRTD và phân công trách nhiệm là hết sức quan trọng trong công

tác cảnh báo sớm RRTD.

Các NHTM nên coi công tác giám sát KH như là một phần cố định, thường

xuyên của quản lý RRTD. Giám sát kéo dài trong suốt thời gian quan hệ tín dụng

của ngân hàng với KH, và hệ thống cảnh báo sớm RRTD là một công cụ quan trọng.

Hệ thống cảnh báo sớm RRTD phải cho phép các ngân hàng xác định hiệu

quả và kịp thời cho KH đang có nguy cơ gia tăng RRTD, kịp thời xử lý từng tình huống cụ

thể. Cần phải có một qui trình và hướng dẫn cụ thể cho nhân viên, giúp họ thực hiện quá

trình giám sát và quản lý hệ thống hệ thống cảnh báo sớm RRTD.

Trách nhiệm cần phải được phân định rõ ràng giữa những người tham gia, giám

sát, quản lý. Hệ thống cảnh báo sớm RRTD trong thực tế phải độc lập và tách biệt khỏi

các thực thể tham gia vào bộ phận kinh doanh và phê duyệt, đặc biệt là các ngành

thương mại phòng ngừa xung đột lợi ích . Điều quan trọng là quá trình theo dõi và

quản lý hệ thống hệ thống cảnh báo sớm RRTD tại ngân hàng cần được thực hiện bởi

một đơn vị giám sát độc lập cụ thể, mà thông thường s thuộc bộ phận quản lý rủi ro.

Ngân hàng cần xác định thời hạn hợp lý cho từng hành động giai đoạn cụ thể

trong quá trình cảnh báo sớm.

Thứ tư, lựa chọn phương pháp đo lường RRTD phù hợp để áp dụng có hiệu quả

trong hệ thống cảnh báo sớm RRTD là yếu tố quan trọng quyết định hiệu quả của hệ

thống cảnh báo sớm RRTD.

Có rất nhiều phương pháp và mô hình cảnh báo sớm RRTD được áp dụng tại

các NHTM tại Mỹ, và các quốc gia phát triển khác. Có thể tổng kết lại thành các mô

hình phổ biến như sau

• Xếp hạng tín dụng nội bộ

• Mô hình thống kê mô hình phân tích phân biệt, mô hình logit…

• Mô hình VaR tín dụng hai mô hình được sử dụng phổ biến nhất là KMV và

Credit Matric)

• Mô hình dựa trên trí thông minh nhân tạo

Mỗi phương pháp và mô hình đều có những ưu điểm và nhược điểm riêng.

Cảnh báo sớm dựa trên hệ thống xếp hạng tín dụng nội bộ đơn giản, dễ thực hiện, chi

phí thấp, phù hợp với các quốc gia mà nhành ngân hàng còn non trẻ và thiếu cơ sở sữ

liệu để thực hiện phân tích định tính, vấn đề minh bạch thông tin còn nhiều hạn chế.

Tuy nhiên, phương pháp cảnh báo sớm này có nhược điểm là: Khả năng phát hiện của

mô hình thấp hơn so với mô hình khác và mô hình thích ứng chậm với những hành vi

mới của người vay.

Mô hình thống kê truyền thống như mô hình điểm số Z, mô hình phân tích

phân biệt, mô hình Logit…là các mô hình định lượng dựa trên năng lực tài chính đã

được kiểm duyệt kết hợp sử dụng các dữ liệu thị trường đưa ra các dấu hiệu RRTD

và dự đoán khả năng vỡ nợ của KH vay vốn. Do sử dụng phương pháp thống kê nên

cơ sở dữ liệu cần phong phú, chất lượng cảnh báo sớm phụ thuộc vào chất lượng

thông tin đầu vào. Tỷ lệ thấp về hành vi KH được sử dụng, mặc dù hành vi của KH

khó đo lường. Dữ liệu thị trường chỉ có sẵn với những doanh nghiệp có niêm yết

trên thị trường chứng khoán. Vì vậy mô hình không phù hợp với tất cả các KH.

Mô hình VaR tín dụng như mô hình KMV, Credit Metric là các mô hình có khả

năng phát hiện rủi ro với tỷ lệ cao hơn. Năng lực kiểm toán cao do mô hình minh bạch.

Các dấu hiệu cảnh báo sớm được phát hiện khi sử dụng dữ liệu trên thị trường. Tuy

nhiên các mô hình này sử dụng kho dữ liệu có sẵn vô cùng phong phú của các công ty

tạo ra mô hình nên tốn kém chi phí và chỉ phù hợp với một số thị trường nhất định.

Mô hình trí tuệ nhân tạo là mô hình hiện đại nhất hiện nay. Hệ thống có kết quả

cảnh báo chính xác nhất tỷ lệ lỗi sai thấp nhất . Các dấu hiệu cảnh báo có khả năng

đưa ra ước lượng về tổn thất. Nhanh chóng thích ứng với các hành vi mới của người

vay. Tuy nhiên mô hình sử dụng kĩ thuật phức tạp hơn so với các mô hình khác đòi hỏi

cơ sở hạ tầng hiện đại và nguồn nhân lực có trình độ cao.

Với bối cảnh hoạt động của các NHTM Việt Nam, lịch sử hoạt động của ngành

ngân hàng còn non trẻ, cơ sở dữ liệu chưa nhiều, trình độ công nghệ thông tin và nhân

sự còn nhiều hạn chế. Đặc biệt là thông tin của KH chưa được lưu trữ và phân tích

thường xuyên thì phương pháp cảnh báo sớm RRTD dựa trên hệ thống xếp hạng tín

dụng nội bộ là hợp lý. Với các ngân hàng có cơ sở dữ liệu, có tiềm năng tài chính lớn

để đầu tư công nghệ thông tin và bồi dưỡng nhân sự tốt thì nên phát triển phương pháp

đo lường và cảnh báo RRTD theo phương pháp định lượng để tăng độ chính xác của

kết quả cảnh báo và giúp ngân hàng phòng ngừa và hạn chế RRTD.

Kết luận chƣơng 1

Hệ thống cảnh báo sớm RRTD đã được nhiều NHTM trên thế giới xây dựng và

áp dụng, những lợi ích từ việc hệ thống này đã được thừa nhận rộng rãi. Việc hệ thống

những vấn đề cơ bản về hệ thống cảnh báo sớm RRTD là vô cùng cần thiết cho quá

trình triển khai và hoàn thiện hệ thống này tại các NHTM. Trong chương 1, luận án đã

phân tích và làm rõ và hệ thống hoá những vấn đề cơ bản về QTRRTD và hệ thống

cảnh báo sớm RRTD. Luận án cũng đã phân tích, làm rõ khái niệm, mục đích, nguyên

t c, cấu trúc, quy trình và các điều kiện để xây dựng và áp dụng hệ thống cảnh báo sớm

RRTD. Bên cạnh đó, luận án đã nghiên cứu bài học kinh nghiệm tại các NHTM Mỹ và

Séc, trên cơ sở đó rút ra 4 bài học kinh nghiệm cho các NHTM Việt Nam. Các vấn đề

được đề cập trong chương 1 là cơ sở để đánh giá thực trạng hệ thống cảnh báo sớm

RRTD tại các NHTM Việt Nam ở chương sau.

CHƢƠNG 2

THỰC TRẠNG HỆ THỐNG CẢNH BÁO SỚM RỦI RO TÍN DỤNG

TẠI CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM

2.1 Khái quát về rủi ro tín dụng và quản trị rủi ro tín dụng tại các Ngân hàng

thƣơng mại Việt Nam

2.1.1 Khái quát về rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam

Trước năm 2008, hoạt động tín dụng của các NHTM Việt Nam phát triển theo

hướng tăng quy mô và tốc độ tăng trưởng nhưng lại không tập trung nâng cao chất

lượng tín dụng cùng với những biến động bất lợi của nền kinh tế khiến chất lượng tín

dụng giảm mạnh.

Tỷ lệ nợ xấu nội bảng

5.00%

4.08%

4.00%

3.61%

3.30%

3.25%

3.00%

3.07%

2.55%

2.46%

2.17%

2.08%

2.20%

2.00%

1.89%

1.99%

1.00%

0.00%

2008

2009

2010

2011

2012

2013

2014

2015

2016

2017

2018

2019

Nguồn: Báo cáo thường niên của Ngân hàng Nhà nước qua các năm

Biểu đồ 2.1: T lệ nợ xấu nội bảng Tổng dƣ nợ của NHTM Việt Nam

B t đầu từ năm 2008 trở đi, tỷ lệ nợ xấu của các NHTM Việt Nam có xu hướng

tăng liêm tục. Đến năm 2012, tỷ lệ nợ xấu được NHNN công bố là 4,08%. Giai đoạn

này, nợ xấu của các NHTM Việt Nam có đặc điểm sau:

Đặc điểm thứ nhất, nợ xấu tăng cao đột biến cả về con số tương đối và tuyệt đối,

gấp nhiều lần so với các năm trước. Thực tế không phải nợ xấu mới phát sinh trong năm

này mà được tích lũy trong một thời gian dài. Nợ xấu có xu hướng tăng b t đầu từ năm

2007 và đặc biệt được quan tâm chú ý từ cuối năm 2011 vì tốc độ tăng rất nhanh.

Theo Thống đốc NHNN, tính tới thời điểm 30 9 2012 nợ xấu toàn ngành ở mức

8,82% tổng dư nợ tín dụng tương đương 257.000 tỷ đồng, cao hơn nhiều con số báo

cáo của các TCTD là 4,03%. Tuy nhiên, theo đánh giá của các tổ chức xếp hạng tín

nhiệm quốc tế, tình hình nợ xấu của Việt Nam còn tồi tệ hơn nhiều. Theo các chuyên

gia phân tích của Fitch Ratings, con số này vào 9 2012 khoảng 15%. Trong khi đó,

theo một báo cáo trên tờ Wall Street Journal tháng 9 2012, Barclays, tập đoàn ngân

hàng lớn của nước Anh, cho rằng tỷ lệ nợ xấu của Việt Nam đã lên tới 20%.

Mặc dù, vấn đề nợ xấu đã được đặc biệt quan tâm và cảnh báo từ cuối năm 2011

nhưng tốc độ gia tăng nợ xấu năm 2012 lại vọt lên cao hơn rất nhiều so với những năm

trước đó. Năm 2009 tốc độ tăng nợ xấu chỉ là 27% chiếm 2,1% GDP, còn sang năm

2010 nợ xấu tăng 41% chiếm 2,5% GDP. Trong năm 2011 khi tổng dư nợ chỉ tăng

13,32% thì giá trị nợ xấu tăng 64% từ khoảng 50.400 tỷ đồng lên 81.000 tỷ đồng . Tỷ

lệ nợ xấu tăng tương ứng từ 2,21% 31 12 2010 lên 3,10% 31 12 2011 . Tuy vậy,

sang năm 2012, chỉ 9 tháng đầu năm nợ xấu tăng tới 211% chiếm đến 12,8% GDP.

Như đã phân tích ở phần trên, tốc độ tăng trưởng tín dụng năm 2012 thấp hơn nhiều so

với những năm trước, trong khi tỷ lệ nợ xấu tăng rất cao đã phản ánh nợ xấu phát sinh

mới chủ yếu là các khoản tín dụng đã được cấp trước đây, đồng thời cho thấy chất

lượng tín dụng đang theo chiều hướng rất xấu. Lý giải cho thực trạng nợ xấu tăng với

tốc độ cao chóng mặt như vậy, có rất nhiều nguyên nhân. Tuy nhiên, cần phải nhấn

mạnh lại rằng các nguyên nhân này không phải bây giờ mới phát sinh mà thực chất đã

xuất hiện từ nhiều năm trước đây và đến nay gây nên hậu quả rất nặng nề cho hệ thống

ngân hàng mà không dễ giải quyết được ngay trong một sớm một chiều.

Một là, nợ xấu tăng cao là do được tích lũy trong một thời gian dài trước đó.

Theo báo cáo đầu năm 2012 của Fitch Ratings, cơ quan xếp hạng tín nhiệm quốc tế,

trong nhiều năm con số nợ xấu của Việt Nam cao hơn rất nhiều thậm chí 3-4 lần so

với con số được báo cáo chính thức từ cơ quan quản lý. Sự chênh lệch này xuất phát từ

hai lý do chính. Đó là sự khác biệt trong phân loại nợ theo VAS và IFRS, đồng thời

nhằm “làm đẹp” báo cáo tài chính và giảm trích lập dự phòng rủi ro để tăng lợi nhuận

mà nhiều ngân hàng đã “giấu nợ xấu”. Minh chứng là con số nợ xấu năm 2012 do các

TCTD báo cáo thấp hơn rất nhiều so với con số do cơ quan thanh tra giám sát ngân

hàng công bố. Do không báo cáo trung thực, không trích lập dự phòng đầy đủ dẫn đến

việc nợ xấu tích lũy liên tục qua nhiều năm. Sự khó khăn kinh tế hiện nay cùng với

chính sách th t chặt tín dụng vừa qua đã làm cho “căn bệnh” nợ xấu của hệ thống ngân

20%

18%

16%

14%

12%

10%

2006

2007

2008

2009

2010

2011

2012

VAS

IFRS

Nguồn: Fitch, 2012

hàng bộc lộ rõ nét.

Biểu đồ 2.2: Đánh giá nợ xấu phân loại theo VAS và IFRS của Fitch

đầu năm 2012

Hai là, môi trường kinh doanh xấu đi làm suy giảm chất lượng tín dụng và do

đó gia tăng nợ xấu trong hoạt động ngân hàng. Do tác động tiêu cực của cuộc khủng

hoảng tài chính và suy thoái kinh tế toàn cầu từ năm 2008 nên môi trường kinh doanh

trong nước gặp rất nhiều khó khăn. Điều này đã dẫn đến tổng cầu của nền kinh tế giảm

mạnh. Tổng cầu giảm khiến lượng hàng tồn kho của các doanh nghiệp ngày càng tăng

cao, doanh nghiệp không tiêu thụ được hàng hóa, không quay vòng được vốn, ảnh

hưởng tiêu cực đến hoạt động sản xuất kinh doanh, khiến nhiều doanh nghiệp lâm vào

tình trạng ngừng hoạt động, thậm chí phá sản, giải thể. Ngoài ra, lạm phát biến động

bất thường và mạnh trong những năm qua làm cho môi trường kinh doanh trở nên bất

định hơn, gây ảnh hưởng xấu đến kết quả tài chính và khả năng trả nợ ngân hàng của

doanh nghiệp.

Bên cạnh đó, thị trường bất động sản đóng băng sau thời kỳ phát triển quá nóng

cũng là một nguyên nhân gây ra nợ xấu. Thị trường ảm đạm kéo dài khiến nhiều doanh

nghiệp bất động sản rơi vào tình trạng thua lỗ, không có tiền trả nợ ngân hàng, dẫn đến

nguy cơ nợ bất động sản trở thành nợ xấu.

Trong bối cảnh khủng hoảng tài chính thế giới, dòng vốn nước ngoài vào Việt

Nam cũng giảm bớt, thị trường chứng khoán suy giảm nhanh khiến các doanh nghiệp

phải tiếp cận vốn chủ yếu từ ngân hàng. Tuy nhiên do sức mạnh “mặc cả” tương đối

của doanh nghiệp Việt Nam so với ngân hàng là thấp hơn nên các doanh nghiệp phải

chịu mức giá vốn tăng cao khi các NHTM tăng lãi suất cho vay bù cho trần lãi suất huy

động bị ấn định khá cao nhằm kiềm chế lạm phát của NHNN. Chi phí tài chính lớn

trong khi môi trường kinh doanh xấu đi khiến cho nhiều doanh nghiệp lâm vào cảnh

không trả được nợ và sinh ra nợ xấu với ngân hàng.

Ba là, các doanh nghiệp Việt Nam phụ thuộc nhiều vào các khoản tín dụng từ

hệ thống ngân hàng. Tốc độ tăng trưởng tín dụng của Việt Nam trong suốt thập niên

đầu thế kỷ 21 luôn cao hơn nhiều so với tốc độ tăng trưởng kinh tế. Tỷ lệ tín dụng tổng

sản phẩm quốc nội đã tăng từ mức 44,8% lên mức 135,78% năm 2010 và 120,81%

năm 2011.

Việc lạm dụng đòn bẩy tài chính đã khiến các doanh nghiệp Việt Nam đối mặt

với nhiều rủi ro khi thị trường tài chính có biến động tiêu cực, đặc biệt là trong các

trường hợp th t chặt tín dụng. Điều này càng thể hiện rõ khi trong một môi trường kinh

doanh đầy biến động như tại Việt Nam, rủi ro kinh doanh luôn ở mức cao thì việc chi

phí tài chính chiếm tỷ trọng lớn trong tổng chi phí khiến cho doanh nghiệp trở nên cực

kỳ nhạy cảm với những thay đổi về lãi vay. Khi nền kinh tế tăng trưởng chậm lại hoặc

Chính phủ thực hiện chính sách vĩ mô theo hướng th t chặt nhằm kiềm chế lạm phát thì

nhu cầu đầu tư và tiêu dùng giảm, hàng tồn kho b t đầu ứ đọng và các khoản phải thu

từ KH bị trì trệ thì doanh nghiệp vẫn phải chi trả lãi vay, vốn gốc cho ngân hàng như

hợp đồng tín dụng đã ký kết. Chưa kể các khoản vay ng n hạn và các khoản vay trung

dài hạn có lãi suất thả nổi ngay lập tức chịu mức lãi suất cao hơn do chính sách tiền tệ

th t chặt khiến cho lợi nhuận, dòng tiền và giá trị tài sản ròng của doanh nghiệp bị sụt

giảm mạnh.

Thêm vào đó, các doanh nghiệp thay vì chú trọng vào nâng cao năng lực quản

trị, nguồn nhân lực, đầu tư vào công nghệ, xây dựng thương hiệu đã tập trung vào việc

mở rộng quy mô tài sản, chiếm lĩnh thị trường. Hệ thống doanh nghiệp đã tiến hành

vay vốn ngân hàng để đầu tư không chỉ lĩnh vực kinh doanh chính mà còn tham gia vào

nhiều lĩnh vực, ngành nghề mới nhằm tìm kiếm lợi nhuận như chứng khoán, bất động

sản, ngân hàng... trong khi lại thiếu khả năng quản trị. Hơn nữa, còn phải kể đến thực

trạng nhiều doanh nghiệp vay ng n hạn ngân hàng để tiến hành đầu tư vào các lĩnh vực

có mức độ rủi ro cao như bất động sản.Kết quả là nhiều doanh nghiệp đã bị thua lỗ, mất

vốn và không trả nợ được ngân hàng.

Bốn là, chu kỳ tín dụng tăng trưởng nóng trong thời gian dài với sự cho vay

ồ ạt, dễ dãi và thiếu thận trọng của các NHTM được coi là một trong những nguyên

nhân chính góp phần đẩy nợ xấu tăng cao trong hệ thống. Hầu hết các TCTD theo

đuổi chiến lược tăng trưởng tín dụng nhanh trong khi năng lực quản trị rủi ro của

TCTD còn nhiều hạn chế và chậm được cải thiện, đặc biệt là các NHTMCP chuyển

đổi từ nông thôn lên đô thị dẫn đến nợ xấu tăng nhanh hơn dư nợ tín dụng. Đây

chính là cái giá phải trả cho một thời gian dài ham hố chạy theo tăng trưởng tín

dụng “nóng” mà bỏ quên mọi nguyên t c quản trị rủi ro. Điều này đã được minh

chứng bằng kinh nghiệm lịch sử, đó là các cuộc khủng hoảng tài chính thường nổ ra

ngay sau thời kỳ tín dụng tăng trưởng “nóng” bởi l trong thời kỳ này vấn đề rủi ro

dường như bị lãng quên do mọi thứ có vẻ trở nên an toàn hơn là chúng vốn có, tất

cả chỉ vì cuộc chạy đua cho lợi nhuận trước m t.

Ngay ở Mỹ, nơi luôn được xem là nước có nền kinh tế đầu tàu của thế giới,

cũng từng rơi vào “bẫy tăng trưởng nóng” như vây. Lấy ví dụ về cuộc khủng hoảng tài

chính 2007-2009 b t nguồn từ cuộc khủng hoảng trên thị trường cho vay thế chấp nhà

đất dưới chuẩn. Nguyên nhân chính của cuộc khủng hoảng này là hoạt động cho vay có

phần dễ dãi và ồ ạt được gọi là “cho vay dưới chuẩn” của các ngân hàng đối với người

vay tiền mua nhà trả góp với hy vọng sau đó bán đi để kiếm lời. Cho vay thế chấp dưới

tiêu chuẩn của các ngân hàng Mỹ chiếm tỷ trọng ngày một lớn trong khoảng 5-6 năm

trước khủng hoảng. Sau cuộc suy thoái ng n năm 2002, môi trường kinh tế Mỹ khá ổn

định khiến các ngân hàng bị ru ngủ và thỏa mãn với những những gì đang xảy ra. Để

kiếm được những khoản lợi nhuận cao hơn, họ đã sử dụng lực đòn bẩy rất cao để

phóng đại những kết quả đầu tư. Và đương nhiên với mức đòn bẩy cao như vậy thì chỉ

một dao động nhỏ cũng có thể làm suy giảm tính thanh khoản của thị trường. Hậu quả

là khi thị trường địa ốc Mỹ rơi vào thời kỳ đóng băng, số lượng nợ xấu và KH vỡ nợ cứ

thế tăng vọt, cuộc khủng hoảng cho vay thế chấp nổ ra như là điều tất yếu.

Năm là, tình trạng các NHTM đã liên tục tăng vốn điều lệ dẫn đến sức ép

tăng trưởng tín dụng để đảm bảo hiệu quả kinh doanh. Một số TCTD áp dụng chiến

lược tăng trưởng tín dụng nhanh trong khi năng lực quản trị rủi ro còn nhiều hạn

chế, đặc biệt là các NHTM cổ phần chuyển đổi từ nông thôn lên đô thị trong những

năm qua dẫn đến nợ xấu tăng nhanh. Trong khi đó, đối với các ngân hàng quốc

doanh và các ngân hàng cổ phần có sở hữu nhà nước chiếm tỷ lệ cao thì áp lực về

phân bổ tín dụng cho các doanh nghiệp nhà nước làm ăn kém hiêu quả đã góp phần

làm tỷ lệ nợ xấu ở nhóm các ngân hàng này tăng cao.

Sáu là, năng lực thanh tra, giám sát của NHNN trong một thời gian dài còn hạn

chế, chưa phát huy hiệu lực, hiệu quả trong việc phát hiện, ngăn chặn và xử lý kịp thời

các vi phạm và rủi ro trong hoạt động tín dụng của các TCTD, nhất là các vi phạm quy

định về hạn chế cấp tín dụng và việc đầu tư quá mức vào một số lĩnh vực tiềm ẩn rủi ro

cao như bất động sản và chứng khoán.

Đặc điểm thứ hai của nợ xấu đó là cơ cấu nợ xấu hiện cũng là một vấn đề đáng

quan tâm bởi vì bản chất nợ xấu khác nhau thì cần có biện pháp khác nhau mới nhằm

xử lý hiệu quả nợ xấu toàn hệ thống. Nợ xấu của cả hệ thống NHTM tập trung chủ yếu

vào lĩnh vực bất động sản và chứng khoán. Khu vực DNNN có nợ xấu rất lớn chiếm

khoảng 70% nợ xấu của toàn hệ thống, trong đó các tập đoàn kinh tế, tổng công ty chiếm 53% số nợ xấu4. Có thể kể một số nguyên nhân chính khiến tỷ trọng nợ xấu của

DNNN lớn hơn rất nhiều DN khu vực khác như:

Một là, khu vực này được hưởng những ưu đãi về tín dụng nên các DNNN có

xu hướng sử dụng đòn bẩy tài chính nhiều hơn các DN khu vực khác. Theo Đề án tái

cấu trúc khu vực DNNN của Bộ tài chính năm 2012 , tuy tỷ lệ nợ trên vốn chủ sở hữu

của DNNN có xu hướng giảm trong những năm gần đây nhưng vẫn ở mức 2,52 lần vào

năm 2009, cao hơn nhiều so với mức 1,78 lần của khu vực tư nhân và 1,39 lần của khu

vực vốn FDI . Các DNNN trung ương thậm chí có tỷ lệ này cao hơn, lên tới 3,53 lần.

Hai là, sở hữu chéo, đầu tư ngoài ngành của các ngân hàng và DNNN diễn ra

phổ biến đã dẫn tới các khoản cho vay, đầu tư lòng vòng đã gây hậu quả tổn thất

nghiêm trọng.

Ba là, chế độ cấp tín dụng cho DNNN theo chỉ đạo, theo chỉ định của cơ quan

quản lý nhà nước có thẩm quyền góp phần làm tăng nợ xấu trong khu vực DN này. Hệ

thống NHTM Nhà nước tại Việt Nam như là một cộng cụ cung cấp tín dụng cho

DNNN và kể cả Chính phủ. Các hoạt động cho vay không được xét duyệt trên các tiêu

4Báo cáo trình uỷ ban thường vụ Quố c hộ i. 9/2012

chí khách quan, do vậy rất nhiều dự án kém hiệu quả cũng như doanh nghiệp ốm yếu

vẫn được vay vốn. Bên cạnh đó thì việc sử dụng nguồn vốn không được kiểm soát một

cách chặt ch nên gây tham ô, lãng phí lớn nguồn vốn vay. Hậu quả tất yếu là nhiều

doanh nghiệp, dự án không đủ khả năng để trả nợ.

Với tỷ trọng nợ xấu cao như vậy, việc tìm kiếm giải pháp xử lý nợ xấu của

DNNN trở thành mấu chốt. Tuy nhiên, nợ xấu tại khu vực DNNN lại rất khó giải

quyết. Khác với các DN tư nhân, có thể dễ dàng bán tài sản hoặc nhượng cổ phần cho

các doanh nghiệp khác để có tiền trả nợ ngân hàng nhằm tránh phá sản, các DNNN rất

khó có thể bán tài sản hoặc cổ phần nhà nước trong giai đoạn kinh tế suy thoái. Các

khoản nợ mà các DNNN vay thường phải trông đợi vào sự hỗ trợ của ngân sách nhà

nước dưới các hình thức xóa nợ, khoanh nợ, chuyển nợ hay bổ sung vốn. Chính vì vậy,

thực hiện tái cơ cấu DNNN, mà trọng tâm là tái cơ cấu tài chính DN hiện nay đang tiến

hành theo đề án mà Chính phủ đã phê duyệt, nhằm nâng cao năng lực của các DNNN

được coi là giải pháp tích cực. Xử lý nợ xấu, tái cơ cấu các TCTD, các ngân hàng phải

đi đôi với việc tiến hành tái cơ cấu DNNN.

Đặc điểm thứ ba là theo thống kê của Bộ tài chính năm 2012, các địa phương có

công trình xây dựng cơ bản nợ các doanh nghiệp liên quan đến dự án khoảng 90.000 tỷ

đồng. Như vậy, khối nợ đọng này là từ vốn ngân sách, chẳng hạn như nợ của ngân sách

với các doanh nghiệp ứng vốn từ ngân hàng để thi công các công trình cho các địa

phương nhưng không được thanh toán. Đây là khoản nợ xấu phải thuộc trách nhiệm

các địa phương xử lý, chứ không thể là các ngân hàng. Tuy nhiên, việc xử lý khoản nợ

đọng này của các địa phương dường như không hề dễ dàng. Nếu như các địa phương

tăng cường bán tài sản như đất đai, khoáng sản, các công trình tiện ích để tạo nguồn xử

lý nợ tồn đọng thì điều này cũng không dễ thực hiện, bởi việc thị trường bất động sản

đóng băng, hoạt động sản xuất của nền kinh tế chưa phục hồi s kéo theo các khoản

thu của các địa phương giảm sút. Ngoài ra, còn một cách khác là các địa phương có thể

đi vay để trả nợ nhưng điều này khó khả thi vì địa phương lại không có đủ uy tín để

phát hành trái phiếu lấy tiền trả nợ. Vì vậy trong trường hợp này, cuối cùng Chính phủ

s phải là người can thiệp để xử lý bằng NSNN. Tuy nhiên, giống như các địa phương,

ngân sách nhà nước cũng đang lâm vào tình trạng thâm hụt đáng báo động, cho nên

biện pháp xử lý số nợ này đang là vấn đề bỏ ngỏ.

Trong năm 2013 và 2014, với những nỗ lực nhằm kìm hãm nợ xấu qua công tác

cơ cấu lại các khoản nợ và bán nợ cho công ty quản lý nợ VAMC . Vì vậy, tình hình

nợ xấu của hệ thống NHTM Việt Nam đã giảm xuống, tuy nhiên tỷ lệ nợ xấu vẫn trên

mức 3%.

Năm 2014, sau khi tăng nhanh trong 6 tháng đầu năm do tình hình kinh tế vĩ mô

chưa có nhiều cải thiện, hoạt động của doanh nghiệp còn nhiều khó khăn và các ngân

hàng phải áp dụng chuẩn mực mới về phân loại nợ chặt ch hơn theo những quy định

trong thông tư 09 2014 TT- NHNN, nợ xấu của hệ thống ngân hàng đã b t đầu giảm.

Đến 30 11 2016, tỷ lệ nợ xấu ước tính còn khoảng 2,46%. Từ đầu năm đến ngày

30 11 2016, VAMC đã thực hiện mua 839 khoản nợ, với tổng dư nợ gốc là 23.283 tỷ

đồng, giá mua nợ là 22.483 tỷ đồng. Ước tính đến cuối tháng 12 2018, toàn hệ thống

các TCTD đã xử lý được 149,22 nghìn tỷ đồng nợ xấu, tỷ lệ nợ xấu nội bảng của hệ

thống TCTD là 2,09%, giảm so với mức 2,46% cuối năm 2016 và tăng nhẹ so với

1,99% cuối năm 2017.Theo NHNN công bố đến cuối tháng 12 2019, tỷ lệ nợ xấu nội

bảng của toàn hệ thống ở mức 1,89%, hoàn thành mục tiêu dưới 2% đưa ra đầu năm.

Thực tế thì các NHTM Việt Nam vẫn phân loại nợ chủ yếu dựa vào thời hạn mà

không đánh giá được một cách chính xác tình hình tài chính, kết quả kinh doanh của

doanh nghiệp. Điều này dẫn đến việc phân loại nợ vào nhóm không phản đúng thực

chất khoản nợ. Ngoài ra, việc s p xếp lại các khoản nợ, đưa nợ ra ngoại bảng và cơ cấu

lại nợ đã làm cho tỷ lệ nợ xấu giảm đáng kể. Hơn nữa một phần nợ xấu đáng kể đã

được chuyển từ NHTM cho VAMC, nên theo các chuyên gia kinh tế nếu tính cả nợ xấu

của NHTM và VAMC thì tỷ lệ nợ xấu này của năm 2019 phải lên đến hơn 7%.

2.1.2 Khái quát về quản trị rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam

Trong những năm gần đây, NHNN đã ban hành nhiều qui định và hướng dẫn về

công tác quản trị RRTD của các NHTM.

Thứ nhất, thông tư 36 2014-NHNN với 3 nội dung cơ bản và quan trọng nhất

về: i Yêu cầu tỷ lệ an toàn vốn tối thiểu là 9%, ii Các cấu phần vốn, phương pháp và

cách tính, duy trì CAR cũng được qui định cụ thể, chi tiết thành phụ lục để dễ thực

hiện, giám sát, kiểm tra, thanh tra, iii Cách tính CAR theo thông tư 13 và 36 chưa tính

đến rủi ro hoạt động. Các nội dung quan trọng về QTRRTD tại các NHTM được quy

định tại điều 4, điều 10 đến điều 14 thông tư này cụ thể như: yêu cầu các NHTM phải

ban hành quy chế nội bộ về cấp tín dụng và quản lý tiền vay để bảo đảm vốn vay sử

dụng đúng mục đích; quy định về việc phân tán rủi ro trong hoạt động cấp tín dụng;

nguyên t c, chỉ tiêu đánh giá, xác định mức độ rủi ro cấp tín dụng đối với các đối tượng

KH, lĩnh vực cho vay; quy định về việc xét duyệt, quyết định cơ cấu lại thời hạn trả nợ;

quy định về các trường hợp không được cấp tín dụng, hạn chế cấp tín dụng, giới hạn

cấp tín dụng…

Thứ hai, thông tư 06 2016 TT-NHNN với các nội dung quan trọng là sửa đổi

một số điều của thông tư 36 mà trọng tâm là hai qui định: i Giảm dần tỷ lệ vốn ng n

hạn cho vay trung dài hạn, ii Tăng hệ số rủi ro đối với các khoản phải đòi để kinh

doanh bất động sản từ năm 2017.

Thứ ba, thông tư 41 2016 TT-NHNN với 3 nội dung quan trọng: i Quy định tỷ

lệ an toàn vốn với ngân hàng, chi nhánh ngân hàng nước ngoài để mở đường cho việc

thực hiện trụ cột 1 của Basel II, ii Công thức tính CAR đã được bổ sung rủi ro thị

trường và rủi ro hoạt động như qui định của Basel II, iii Tỷ lệ CAR tối thiểu cho các

ngân hàng là 8%. Thông tư 41 cũng đưa ra yêu cầu về xây dựng và triển khai hệ thống

cảnh báo sớm RRTD tại các NHTM.

Thứ tư, thông tư 19 2017 TT-NHNN với nội dung chính là sửa đổi một số điều

của thông tư 36: i Nêu rõ lộ trình áp dụng tỷ lệ vốn ng n hạn để cho vay trung dài

hạn, ii Sửa đổi bổ sung cấu phần và cách xác định CAR.

Thứ năm, thông tư 13 2018 TT-NHNN là thông tư mới nhất qui định cụ thể hơn

về: i Chiến lược quản trị RRTD, ii Hệ thống xếp hạng tín dụng nội bộ, iii Đo

lường, theo dõi và kiểm soát RRTD.

Theo thông tư 13, Về chiến lược quản trị RRTD, các NHTM Việt Nam cần

đưa ra tỷ lệ nợ xấu mục tiêu, tỷ lệ cấp tín dụng xấu mục tiêu the đối tượng KH,

ngành, lĩnh vực kinh tế. Bên cạnh đó các NHTM Việt Nam cũng cần đưa ra nguyên

t c xác định chi phí bù đ p RRTD trong phương pháp tính lãi suất, định giá sản

phẩm tín dụng pricing theo mức độ RRTD của KH và cần thực hiện nguyên t c áp

dụng các biện pháp giảm thiểu RRTD bao gồm cả thẩm quyền phê duyệt các biện

pháp giảm thiểu RRTD).

Thông tư 13 cũng yêu cầu về hệ thống xếp hạng tín dụng nội bộ của các NHTM

như sau: i Các mô hình xếp hạng phải lượng hoá các tiêu chí để đánh giá khả năng xác

suất KH không thực hiện nghĩa vụ trả nợ theo thoả thuận, ii Có cơ sở dữ liệu và các

phương pháp quản lý dữ liệu để lượng hoá RRTD theo yêu cầu, iii Có đầy đủ thông tin

về hệ thống xếp hạng tín dụng nội bộ để cung cấp theo yêu cầu của kiểm toán nội bộ, tổ

chức kiểm toán độc lập và các cơ quan chức năng khác, iv Kết quả của hệ thống xếp

hạng tín dụng nội bộ phải được đánh giá độc lập.

Về đo lường, theo dõi và kiểm soát RRTD: i các NHTM Việt Nam cần xây

dựng hệ thống xếp hạng tín dụng nội bộ, mô hình, phương pháp để đo lường RRTD,

ii Cần theo dõi kết quả phân loại nợ của khoản cấp tín dụng, đánh giá mức độ đầy đủ

của dự phòng rủi ro theo qui định của NHNN, kiểm soát RRTD thực tế, iii Các nội

dung theo dõi và kiểm soát RRTD gồm: Vai trò và trách nhiệm cá nhân, bộ phận thực

hiện theo dõi, kiểm soát RRTD; phân loại nợ trích lập DPRR, sử dụng DPRR để xử lý

RRTD; đánh giá theo dõi RRTD đối với từng khoản cấp tín dụng, danh mục cấp tín

dụng; tần suất tối thiểu thực hiện thực hiện kiểm soát từ xa và tại chỗ đối với KH để

thu thập thông tin phục vụ cho việc theo dõi RRTD; tiêu chí đánh giá và phương pháp

xác định mức độ suy giảm chất lượng tín dụng của từng khoản cấp tín dụng và danh

mục cấp tín dụng, cơ chế cảnh báo sớm khi có nguy cơ chất lượng tín dụng của KH bị

suy giảm.

Để đáp ứng yêu cầu của cơ quản quản lý, nhiều NHTM Việt Nam đã đầu tư

mạnh m để nâng cấp cơ sở kĩ thuật và chất lượng cơ sở dữ liệu nhằm nâng cao hiệu

quả của công tác QTRRTD.

Bên cạnh việc các NHTM Việt Nam đã đầu tư mạnh m để nâng cấp cơ sở hạ

tầng và chất lượng cơ sở dữ liệu thì việc NHNN đã chọn nhóm 10 ngân hàng thực hiện

thí điểm Basel II cũng là một dấu mốc quan trọng với ngành ngân hàng Việt Nam. 10

cái tên được chọn để thí điểm là những ngân hàng lớn nhất từ năm 2012, bao gồm

Vietcombank, BIDV, VietinBank, Sacombank, MB, Techcombank, ACB, VIB,

Maritime Bank MSB và VPBank. Đến cuối tháng 11 năm 2018, hai ngân hàng đầu

tiên trong danh sách những nhà băng được lựa chọn đã được NHNN chấp thuận áp

dụng thông tư 41 sớm, đó là Vietcombank và VIB. Tại thời điểm đó, lãnh đạo NHNN

cho biết s tạo điều kiện thuận lợi cho các ngân hàng đáp ứng Basel II sớm trong việc

tăng trưởng tín dụng và mở rộng mạng lưới. Động thái của NHNN đã tiếp thêm sức

mạnh cho các ngân hàng còn lại. Vào đầu năm nay, NHNN tiếp tục thẩm định và xác

nhận thêm 7 thành viên mới triển khai thành công Basel II ngay trong năm 2019, trước

thời hạn quy định 2020. Hai trong số đó là OCB và TPBank đã được chấp thuận áp dụng

sớm trong đó OCB ngay từ đầu năm 2019 còn TPBank là từ tháng 5 năm 2019. Tiếp đó

thêm 3 ngân hàng đã cùng được NHNN chấp thuận cho áp dụng Thông tư 41 đó là

ACB, VPBank và MB. Mới đây, có thêm Techcombank lọt vào danh sách được chấp

thuận áp dụng sớm kể từ ngày 1 7 2019. Như vậy đến thời điểm này, đã có 8 trong số

17 ngân hàng chạm đến Basel II, trong đó có 6 10 ngân hàng được chọn ban đầu.

2.1.3 Khái quát về hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng

thương mại Việt Nam

Tính đến 31/12/2018 hệ thống NHTM Việt Nam có 35 NHTM gồm: 4 NHTM

nhà nước 3 ngân hàng được nhà nước mua lại với giá 0 đồng và ngân hàng Agribank ;

31 NHTM CP. Theo mức độ phát triển của hệ thống cảnh báo sớm RRTD đến cuối

năm 2018, có thể chia hệ thống NHTM thành 3 nhóm là: 1 Nhóm đã công bố hoàn

thành việc xây dựng và áp dụng hệ thống cảnh báo sớm RRTD; 2 Nhóm đã hoàn

thành 1 phần và đang tiếp tục triển khai để hoàn thiện hệ thống này; 3 Nhóm chưa

triển khai hệ thống cảnh báo sớm RRTD chi tiết phụ lục 04 .

Nhóm đã công bố hoàn thành hệ thống cảnh báo sớm RRTD gồm hai ngân hàng

là Ngân hàng Vietinbank và ngân hàng Vietcombank.

Vietinbank đã triển khai hệ thống EWS- Early Warning System trên toàn bộ chi

nhánh từ tháng 10 2014. EWS nổi trội nhờ khả năng tích hợp nhiều nguồn thông tin

của khách hàng thông qua hệ thống kho dữ liệu doanh nghiệp, hệ thống xếp hạng tín

dụng nội bộ, hệ thống quản lý rủi ro tín dụng, các nguồn thông tin chính thống và đáng

tin cậy từ bên ngoài.

Thực hiện thành công dự án này, Vietinbank đã ban hành khung quản trị RRTD

áp dụng cho toàn bộ hệ thống ngân hàng. Đồng thời qui định mục tiêu Quản trị rủi ro

tín dụng cũng như các tiêu chuẩn cơ bản cho quá trình nhận diện, đo lường, đánh giá,

kiểm soát, giám sát báo cáo và xử lý rủi ro tín dụng tại Vietinbank nhằm tối đa hóa lợi

nhuận trong phạm vi mức độ rủi ro tín dụng chấp nhận được.

Vietcom bank cũng đang trong quá trình phân nhóm tài sản thuộc sổ ngân hàng,

tách sổ ngân hàng và sổ kinh doanh. Xây dựng xong và đã áp dụng phương pháp xếp

hạng nội bộ cho các nhóm tài sản quan trọng. Về yêu cầu lượng hoá RRTD:

Vietcombank sử dụng mô hình thống kê với đối tượng KH doanh nghiệp. Mô hình PD

cho nhóm KH doanh nghiệp hiện tại đang sử dụng khái niệm vỡ nợ là KH có nợ quá

hạn từ 90 ngày trở lên. Mô hình này được phát triển dựa trên cơ sở dữ liệu 04 năm từ

1008-2011. Hệ thống hiện tại của VCB lưu trữ dữ liệu về tình hình tài chính, phi tài

chính của KHDN trong vòng 5 năm 2008 – 2012. Dữ liệu về tình trạng nợ quá hạn:

được lưu trên hệ thống Core. Đối với ước tính PD cho bán lẻ VCB đang tổ chức công

tác xây dựng hệ thống thu thập dữ liệu thẻ, sản phẩm cho vay cá nhân một cách tự động

và toàn diện. Yêu cầu đối với ước tính LGD: các thông tin liên quan đến TSBD mới b t

đầu được lưu trữ một cách có hệ thống trên Host từ năm 2010. VCB chưa có hệ thống

lưu trữ thông tin về quá trình thu hồi nợ và xử lý tài sản một cách nhất quán, toàn diện,

chi tiết cho từng khoản vay, đây là thách thức lớn cho quá trình thu thập dữ liệu để phát

triển mô hình LGD. Đối với yêu cầu ước tính EAD: VCB mới tiếp thu được phương

pháp luận xây dựng mô hình EAD; đối với khoản mục trên bảng cân đối đã có thông

tin tính EAD; đối với khoản mục ngoại bảng cân đối, chưa phát triển được mô hình

EAD do VCB chưa có đủ dữ liệu cần thiết.

Nhóm đã hoàn thành một phần và đang tiếp tục triển khai hoàn thiện hệ thống

này gồm 19 ngân hàng gồm ngân hàng Sacombank, VIB, Teckcombank, PvCombank

và 15 ngân hàng khác phụ lục 04 .

Ngân hàng Sacombank đã hoàn thành chọn các nhà thầu để hỗ trợ triển khai các

tiểu dự án xây dựng hệ thống khởi tạo khoản vay và nâng cấp hệ thống xếp hạng tín

dụng nội bộ, tính tự động tài sản có rủi ro. Ngân hàng này đưa ra mục tiêu triển khai

phương pháp SA trên toàn hệ thống nhằm phục vụ công tác xây dựng và triển kha hệ

thống cảnh báo sớm RRTD. Ngân hàng Maritime bank cũng đã đưa vào sử dụng chính

thức hệ thống cơ sở dữ liệu, tính toán tự động tài sản có rủi ro và tỷ lệ CAR trong tháng

11/2016. Ngân hàng VIB sử dụng công cụ đánh giá rủi ro tín dụng Emerging Markets

RiskCalc của Moody‟s từ năm 2015 nhằm nâng cao hiệu quả của công tác quản trị rủi

ro tín dụng, tiến tới xây dựng và hoàn thiện hệ thống cảnh báo sớm RRTD với tất cả

các nhóm KH vay vốn. Pvcombank cũng đã hoàn thành bộ chỉ tiêu cảnh báo sớm

RRTD, xây dựng quy trình cảnh báo sớm RRTD và áp dụng đối với một số KHCN và

KHDNVVN.

Các ngân hàng còn lại trong nhóm này đều đã và đang triển khai các dự án để

xây dựng cơ sở dữ liệu hoặc lượng hoá RRTD nhằm xây dựng và hoàn thiện hệ thống

cảnh báo sớm.

Toàn hệ thống có 13 NHTM chưa triển khai hệ thống cảnh báo sớm RRTD và

đang áp dụng hệ thống xếp hạng tín dụng nội bộ để đánh giá rủi ro của khách hàng

trước, trong và sau khi cho vay.

Tóm lại, đã có nhiều nỗ lực và cố g ng trong công tác quản trị RRTD cả từ phía

cơ quan quản lý là NHNN và từ phía các NHTM, những nỗ lực đó đã đưa đến một số

thành quả nhất định như: i Về cơ cấu tổ chức: đảm bảo nguyên t c 3 tuyến bảo vệ

(three lines of defense) ở hầu hết các ngân hàng; nâng cao vai trò và hoạt động của Uỷ

ban quản lý rủi ro, Bộ phận giám sát tuân thủ, Bộ phận Kiểm toán nội bộ; thành lập Bộ

máy quản trị dữ liệu. ii Về văn bản, chính sách: Rà soát, sửa đổi bổ sung một số văn

bản, chính sách phù hợp với yêu cầu của Basel II, như: Chính sách bảo đảm, Giới hạn

tín dụng, Chính sách ban hành sản phẩm mới,...Ban hành một số các văn bản mới - là

kết quả trực tiếp của triển khai Basel II, như: Chính sách Quản trị dữ liệu, Quy trình

quản lý chất lượng dữ liệu, Chính sách Quản lý rủi ro mô hình tại một số ngân hàng;

iii Về Hệ thống công nghệ thông tin dữ liệu: nâng cấp một số hệ thống liên quan như

Core banking, Credit rating, Treasury) để thu thập các trường thông tin còn thiếu, là cơ

sở cho việc xây dựng mô hình rủi ro định lượng; Hoàn tất và ứng dụng công cụ tính

toán tài sản có rủi ro theo Thông tư 41 về tính vốn Basel II; triển khai Risk data mart

nhằm phục vụ Basel II tại một số ngân hàng. Tuy nhiên, vẫn tồn tại một khoảng cách

rất xa giữa NHTM Việt Nam và chuẩn mực thế giới. Nhiều chuyên gia cho rằng Basel

II đã là chuẩn mực được các ngân hàng thế giới áp dụng từ rất lâu, hiện đang chuẩn bị

hoàn thiện Basel III, Việt Nam đến nay mới áp dụng đã là muộn. Hơn thế nữa một

chuẩn mực quan trọng trong thông tư 41 được kế thừa từ chuẩn mực Basel là các ngân

hàng phải xây dựng hệ thống cảnh báo sớm RRTD thì lại chưa được thực hiện tại tất cả

các NHTM, và mức độ thực hiện là không đồng đều và còn nhiều hạn chế.

2.2 Thực trạng hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng

thƣơng mại Việt Nam

Trong phần này, tác giả sử dụng phương pháp khảo sát mô tả để thu thập dữ

liệu, mô tả trạng thái của vấn đề và trả lời các câu hỏi liên quan đến chủ đề nghiên cứu.

Theo Orodho 2003 , khảo sát mô tả là một phương pháp thu thập thông tin bằng cách

phỏng vấn hoặc bảng câu hỏi cho một mẫu của các cá nhân. Do vậy, tác giả đã thực

hiện phỏng vấn một số lãnh đạo và nhân viên làm tại bộ phận QTRRTD của 35 NHTM

Việt Nam phụ lục 04).

Do không có số liệu tổng thể nên nghiên cứu s áp dụng công thức tính mẫu

không biết tổng thể

n= z2( p.q ) 5 e2

Trong đó:

n = là cỡ mẫu

z = giá trị phân phối tương ứng với độ tin cậy lựa chọn

p = là ước tính tỷ lệ % của tổng thể

q = 1-p

e = sai số cho phép

Nghiên cứu dự kiến xác định cỡ mẫu với độ tin cậy là 95% sai số cho phép là

nằm trong khoảng +5%. Qua tính toán, nghiên cứu xác định được cỡ mẫu là 385. Vì

vậy, nghiên cứu tiến hành gửi 400 bảng hỏi.

Nghiên cứu sử dụng một bảng hỏi nhằm thu thập dữ liệu. Bảng hỏi trong nghiên

cứu này được thiết kế gồm ba phần: Phần 1 là một số thông tin về người tham gia khảo

sát; Phần 2 là những câu hỏi được cấu trúc sẵn nhằm khai thác những kiến thức và

thông tin của người được khảo sát về vấn đề nghiên cứu, nhằm tăng hiệu quả của khảo

sát để tiết kiệm thời gian và dễ tổng hợp phân tích; Phần 3 là câu hỏi mở, nhằm khuyến

khích người trả lời đưa ra ý kiến cá nhân một cách chi tiết, sâu s c, cởi mở.

Phần 2 của bảng khảo sát gồm 18 câu hỏi chia thành 4 nội dung lớn nhằm tìm

hiểu thông tin và ghi nhận đánh giá của người tham gia khảo sát về các nội dung: (i)

5Nguồn: http://sotaynghiencuusinhvien.blogspot.com/2015/04/phuong-phap-xac-inh-co-mau.html

Thực trạng về cấu trúc hệ thống cảnh báo sớm RRTD tại NHTM mà họ đang công tác

về các khía cạnh: cơ sở dữ liệu, hệ thống chỉ tiêu cảnh báo sớm, phương pháp đo lường

RRTD, (ii) Đánh giá của họ về tthực trạng các điều xây dựng và triển khai hệ thống

cảnh báo sớm RRTD về các mặt: điều kiện pháp lý và cơ cấu tổ chức, điều kiện hệ

thống thông tin và cơ sở hạ tầng, điều kiện nguồn nhân lực; (iii) Đánh giá về thực trạng

triển khai hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam;

Sau khi thiết kế bảng hỏi, tác giả đã tiến hành khảo sát thử với 10 đối tượng

mẫu được chọn, từ đó có cơ sở để điều chỉnh thuật ngữ sử dụng, phương pháp hỏi và

nội dung hỏi cho thật chuẩn xác, dễ hiểu, nhằm tối đa hoá hiệu quả khai thác thông tin.

Nghiên cứu tiến hành gửi bảng hỏi tới các lãnh đạo và nhân viên bộ phận

QTRRTD tại 35 NHTM Việt Nam. Cuộc điều tra b t đầu được thực hiện từ ngày

1 6 2018 và kết thúc ngày 1 9 2019. 400 bảng hỏi được gửi đi, 392 câu trả lời được thu

về, đạt tỷ lệ 98%.

Bảng 2.1: Mô tả cơ cấu mẫu khảo sát

Giới tính

Độ tuổi

Số năm kinh nghiệm làm QTRR tại

NHTM

Nam

Nữ

Dưới 30 tuổi 199

30-40 tuổi 159

Trên 40 tuổi 34

Dưới 2 năm 103

2-5 năm 105

5-8 năm 118

Trên 8 năm 66

287

105

73,2

50,7

40,5

8,6

26,2

26,7

30,1

16,8

Số lƣợng (ngƣời) T lệ (%) 26,7

Nguồn: Khảo sát của tác giả

392 cán bộ QTRRTD gửi câu trả lời về trong đó có 105 cán bộ QTRRTD là

nam chiếm 26,7% và 287 cán bộ QTRRTD là nữ chiếm 73.2%. Đa phần đối tượng

tham gia điều tra là cán bộ trẻ, dưới 40 tuổi, cụ thể 50,7% dưới 30 tuổi, 40,5 % từ 30

đến 40 tuổi, chỉ có 8,6% trên 40 tuổi. Mặc dù tỷ lệ cán bộ trẻ tham gia điều tra lớn,

song tỷ lệ cán bộ có kinh nghiệm cao. Chỉ có 26,4% cán bộ có dưới 2 năm kinh nghiệm

trong khi đó 27,3% cán bộ có từ 2 năm đến 5 năm kinh nghiệm, 30,2% cán bộ có từ 5

năm đến 8 năm kinh nghiệm và 16,1% cán bộ có trên 8 năm kinh nghiệm. Với tỷ lệ cán

bộ có kinh nghiệm cao tham gia điều tra s giúp cho nghiên cứu có những đánh giá xác

thực và và nhận xét sâu s c hơn.

2.2.1 Thực trạng về cấu trúc hệ thống cảnh báo sớm rủi ro tín dụng

2.2.1.1 Thực trạng về dữ liệu đầu vào của hệ thống cảnh báo sớm rủi ro tín dụng

Đến thời điểm hiện tại theo kết quả khảo sát, đã có hai ngân hàng công bố hoàn

thành hệ thống cảnh báo sớm RRTD là Vietinbank và Vietcombank.

Ngoài hai ngân hàng trên thì có 19 NHTM6 xem phụ lục 04 khác đều đang

triển khai hệ thống cảnh báo sớm RRTD với các mức độ hoàn thành và ứng dụng

nhất định, một số ngân hàng đang trong giai đoạn nghiên cứu hoặc thử nghiệm

lượng hóa RRTD, làm cơ sở cho công tác cảnh báo sớm RRTD đối với KH vay vốn.

Tuy đã có những nhận thức về tầm quan trọng của công tác cảnh báo sớm

RRTD, tuy nhiên không phải tất cả các NHTM Việt Nam đều đã có thể triển khai hệ

thống cảnh báo sớm RRTD trong hoạt động quản trị RRTD của mình. Cụ thể theo kết

quả khảo sát và phỏng vấn các chuyên gia tại các NHTM thì số lượng các ngân hàng chưa triển khai hệ thống cảnh báo sớm RRTD là 14 ngân hàng 7 (xem phụ lục 04 chưa

có hệ thống cảnh báo sớm RRTD.

Với hai nhóm ngân hàng đã hoàn thành hệ thống cảnh báo sớm và đang triển

khai xây dựng hệ thống cảnh báo sớm thì 100% cán bộ QTRRTD tại các ngân hàng

được hỏi đều đều cho biết hệ thống cảnh báo sớm RRTD tại ngân hàng họ sử dụng các

nguồn thông tin đầu vào gồm: Thông tin phi tài chính của KH độ tuổi, giới tính, số

người phụ thuộc, uy tín… , thông tin tài chính của KH thu nhập, nguồn trả nợ, báo cáo

tài chính… , thông tin về quan hệ tín dụng giá trị khoản vay, thời hạn vay, giá trị

TSBĐ… và thông tin về lịch sử tín dụng số ngày quá hạn, tần suất có nợ quá hạn, nợ

quá hạn tại TCTD khác… . Chỉ có 16,7% phiếu khảo sát lựa chọn thêm nguồn thông

tin đầu vào là các thông tin vĩ mô khác GDP, lạm phát, lãi suất… . Trong khi nhiều

nghiên cứu đã khẳng định các nhân tố vĩ mô là nhân tố quan trọng tác động đến RRTD

của cả KHCN và KHDN vay vốn, nhưng theo khảo sát thì có rất ít NHTM Việt Nam

thu thập dữ liệu này làm cơ sở dữ liệu cho hệ thống cảnh báo sớm của mình. Điều này

cho thấy một điểm chưa hoàn thiện của hệ thống cảnh báo sớm RRTD tại các NHTM

Việt Nam, có thể ảnh hưởng đến hiệu quả cảnh báo rủi ro của hệ thống.

Về phương pháp thu thập thông tin, có 33,3% số phiếu trả lời chọn phương án thu

thập thông tin thủ công hoàn toàn, 66,7% chọn phương án bán tự động kết hợp cả tự

động và thủ công , không có câu trả lời cho phương án thu thập dữ liệu đầu vào tự động

6Trong tổng số 35 NHTM, chiếm 54,2% 7Trong tổng số 35 NHTM, chiếm 40%

hoàn toàn. Điều này cho thấy thực tế, tại các NHTM Việt Nam chưa có phương pháp thu

thập cơ sở dữ liêụ hiện đại, khách quan. Việc thu thập cơ sở dữ liệu thủ công từ các

thông tin cán bộ quan hệ KH tự thu thập và theo dõi trong quá trình cho vay và giám sát

KH sau là hết sức cần thiết và đóng vai trò quan trọng, tuy nhiên phương thức này cũng

bộc lộ nhiều hạn chế như không khách quan, khó xác minh độ tin cậy và chính xác, mất

nhiều thời gian, chi phí và công sức…Do đó phương pháp thu thập cơ sở dữ liệu cũng là

2.2.1.2 Thực trạng về hệ thống chỉ tiêu cảnh báo sớm rủi ro tín dụng

một nội dung cần tiếp tục nghiên cứu và hoàn thiện trong thời gian tới.

Kết quả khảo sát hệ thống chỉ tiêu sớm tại các NHTM Việt Nam cho thấy: hệ

thống chỉ tiêu cảnh báo sớm RRTD đều được các NHTM chia theo nhóm KH, phổ biến

nhất là chia theo nhóm KHCN và KHDN. Tuỳ vào đặc điểm hoạt động, chiến lược

kinh doanh và KH mục tiêu của mỗi ngân hàng mà hệ thống chỉ tiêu cảnh báo sớm

RRTD của KHDN được chia nhỏ hơn theo qui mô của KH. Ví dụ: ngân hàng

Vietinbank có chỉ tiêu cảnh báo sớm RRTD cho KHDNL và KHDNVVN; trong khi

ngân hàng VPbank lại xây dựng hệ thống chỉ tiêu cảnh báo cho KHDNL, KHDNVVN,

KHDN siêu nhỏ; Pvcombank lại chỉ có bộ chỉ tiêu cảnh báo sớm RRTD chung cho các

KHDN ở các quy mô khác nhau.

Nghiên cứu cả lý thuyết và thực nghiệm đã cho thấy việc sử dụng và thu thập

thông tin để cảnh báo sớm RRTD đối với KHDN (KH lớn và KHCN (KH nhỏ tại các

nhóm NH là khác nhau. Cụ thể là các ngân hàng lớn s có thế mạnh trong cho vay KH lớn, và chủ yếu sử dụng thông tin cứng (hard information)8 để phân tích KH. Trong khi

đó các ngân hàng nhỏ có xu hướng cho vay KH nhỏ và sử dụng nguồn thông tin mềm (soft information)9 để phân tích và đưa ra quyết định tín dụng. Khi sử dụng nguồn

thông tin mềm, các ngân hàng chủ yếu dựa vào thông tin đã có giữa các cán bộ tín

dụng của ngân hàng và KH. Chính từ mối quan hệ đã thiết lập giữa cán bộ ngân hàng

và KH mà ngân hàng có thông tin về tình trạng của KH các mối quan hệ xã hội, quan

hệ kinh doanh , các thông tin khác về các vấn đề liên quan đến chủ doanh nghiệp kinh

doanh cá thể.

Ví dụ, Berger và Black 2011 cho rằng, các ngân hàng lớn có lợi thế cạnh tranh

8 Thông tin có thể định lượng ví dụ như thông tin từ báo cáo tài chính, tài sản bảo đảm, hay điểm tín dụng 9 Thông tin mang tính định tính

tương đối về thu thập và xử lí thông tin định lượng bởi vì ngân hàng lớn có lợi thế quy

mô khi thường xuyên cho vay các đối tượng KH lớn, có thể cung cấp thông tin định

lượng. Ngược lại các ngân hàng lớn lại không có lợi thế trong việc thu thập và xử lý

thông tin mềm, thông tin định tính thông qua các kênh giao tiếp với các KH lớn. Trong

khi đó các ngân hàng nhỏ thường có lợi thế trong việc thu thập và xử lý thông tin định tính, lí do là họ có kênh thu thập tốt10 hơn nhờ NH nhỏ thường có ít kênh quản lý trung

gian và do đó thông tin được luân chuyển tốt hơn từ cán bộ tín dụng đến cấp quản lý

cao hơn Berger và Udell, 2002; Liberti và Mian, 2009).

Thực tế tại các NHTM Việt Nam, cảnh báo sớm RRTD đối với KHCN, ngoài

các thông tin định lượng các NHTM thường thu thập như giá trị tài sản thế chấp, thu

nhập của KH, nợ của KH, hay khả năng sinh lời của các dự án kinh doanh cá nhân hay

gia đình, các NHTM Việt Nam cũng đã thu thập các thông tin mềm, mang tính định

tính như tình trạng sức khỏe, tình trạng gia đình, tiềm năng phát triển và khả năng kinh

doanh, khả năng lãnh đạo điều hành, hay thái độ với nợ đối với KHCN vay kinh doanh.

Nghiên cứu s tiếp tục đi sâu phân tích hai đại diện thuộc hai nhóm Ngân hàng nhỏ và

ngân hàng lớn là PVCombank và Vietinbank để so sánh sự khác nhau giữa hai ngân

hàng khi xây dựng hệ thống chỉ tiêu cảnh báo sớm RRTD đối với KH vay vốn. Đây

cũng là hai ngân hàng đại diện cho hai nhóm: Đang triển khai và trong quá trình hoàn

thiện hệ thống cảnh báo sớm RRTD và nhóm đã công bố hoàn thành hệ thống cảnh báo

sớm RRTD.

Bộ chỉ tiêu cảnh báo sớm RRTD đối với KHCN của ngân hàng PVCombank gồm các

chỉ tiêu: dữ liệu tình hình pháp lý của KH vay và dữ liệu tình hình tài chính và khả năng trả nợ.

Thông tin thu thập thông qua hoat động kiểm tra sau cho vay định kỳ đột xuất Báo cáo kiểm

10Lí do là trong cho vay sử dụng thông tin định tính có liên quan đến vấn đề đại lý agency problem trong nội bộ ngân hàng. Ở đây ý nói thông tin được chuyển từ cấp thấp đến cấp cao trong nội bộ ngân hàng nhỏ được nhanh chóng hơn do NH nhỏ thường có ít cấp quản lý trung gian hơn NH lớn.

tra sau cho vay) và qua quá trình tiếp xúc KH và các nguồn khác.

Bảng 2.2: Chỉ tiêu và phân luồng cảnh báo sớm KHCN tại ngân hàng PVCombank

STT Dấu hiệu

Tần suất Hiệu lực

Ngƣời thực

Xếp nhóm

hiện

Nhóm 1

Nhóm 2

Ý

kiến

Xanh Vàng Đỏ

Vàng Da

Đỏ

khác

cam

I- Danh sách tiêu chí cảnh báo liên quan đến năng lực pháp lý của KH

KH đang bị điều tra cảnh báo của cơ quan nhà nước có

3 tháng

thẩm quyền do vi phạm pháp luật

KH đang bị tranh chấp dân sự có ảnh hưởng đến khả

3 tháng

năng trả nợ

KH mất hoặc hạn chế năng lực hành vi dân sự

3 tháng

II- Danh sách tiêu chí cảnh báo liên quan đến tình hình tài chính và khả năng trả nợ của KH

KH bị suy giảm nguồn thu làm ảnh hưởng đến khả năng

6 tháng

trả nợ của ngân hàng

KH mất nguồn thu nhập từ lương và các nguồn thu

6 tháng

nhập thường xuyên khác

Hoạt động bán hàng sản xuất của hộ kinh doanh sụt

6 tháng

giảm lợi nhuận giảm mạnh so với cùng kỳ năm trước

Hộ kinh doanh phá sản, giải thể hoặc bị cơ quan chức

6 tháng

năng cấm dừng hoạt động

KH có dấu hiệu sử dụng vốn sai mục đích

Theo quy

Toàn thời

ARM/RM

định của

gian khoản

PVCB

vay

KH không thực hiện các cam kết và yêu cầu của PVCB

1 tháng

ARM

KH không thực hiện cam kết và yêu cầu PVCB

3 tháng

Thanh toán nợ gốc lãi đến hạn chậm từ 5 ngày trở lên

1 tháng

ARM

Đã từng chuyển nợ nhóm 1 sang nợ nhóm 2 trong 03

3 tháng

ARM

tháng vừa qua

Giám sát tài sản bảo đảm trên 10% so với giá trị định

Theo quy

ARM

giá tại thời điểm phê duyệt khoản vay hoặc thời điểm

định của

phê duyệt khoản vay hoặc thời điểm định giá kỳ định

PVCB

giá gần nhất

Giá trị TSBĐ sụt giảm dẫn đến không đủ bảo đảm cho

Theo quy

ARM

khoản vay

định của

PVCB

KH có dấu hiệu bán, trao đổi, tặng cho, cho thuê, cho

6 tháng

ARM/RM

mượn, đem góp vốn liên doanh hoặc bất kỳ hình thức

nào làm chuyển dịch quyền sở hữu, quyền sử dụng đối

với TSBĐ mà không có sự đồng ý của PVCB

TSBĐ là đối tượng của vụ kiện, tranh chấp dân sự

6 tháng

ARM/RM

Nguồn: Tài liệu nội bộ của ngân hàng PVComBank

Nguyên t c đưa KH vào các vùng cảnh báo của PVcomBank như sau:

- Với KH nhóm 1: Nếu KH phát sinh ít nhất 01 tiêu chí thuộc Nhóm cảnh báo

Vàng Đỏ => đưa KH vào vùng cảnh báo Vàng Đỏ.

+ Trường hợp KH được đưa vào “Danh sách Nợ nhóm1- vùng cảnh báo Vàng”

ĐVKD chủ động xây dựng và đề xuất phương án xử lý cụ thể nhằm đưa KH về: “Danh

sách Nợ Nhóm 1- Xanh”.

+ Việc phê duyệt phương án xử lý đối với KH nằm trong “Danh sách Nợ Nhóm

1- vùng cảnh báo Vàng” thực hiện theo các quy định về Phân quyền trong hoạt động tín

dụng của PVcomBank ban hành từng thời kỳ.

+ Trường hợp KH trong “Danh sách Nợ Nhóm 1- vùng cảnh báo Vàng” phát

sinh quá hạn hoặc lãi trong thời gian kh c phục thời gian kh c phục căn cứ vào biên

bản làm việc giữa ĐVKD và KH , ĐVKD có trách nhiệm đôn đốc kiểm soát, báo cáo

và đề xuất kịp thời; đồng thời đưa KH vào “Danh sách Nợ Nhóm 1- Vùng cảnh báo

Đỏ” và thực hiện đề xuất chuyển KH sang khối XLN nếu ĐVKD đánh giá KH khó có

thể trả nợ đúng hạn.

+ Phòng cho vay phối hợp với Giám đốc Khu vực và ĐVKD chọn mẫu KH

thuộc vùng cảnh báo Xanh Vàng tiến hành kiểm tra thực tế từ xa để đưa ra đanh giá

phân luồng lại khoản vay. Đưa KH vào “Danh sách nợ nhóm 1- vùng cảnh báo Đỏ” và

xin ý kiến Giám đốc khối KHCN chấp thuận trình Tổng giám đốc phê duyệt chuyển

KH sang khối XLN nếu đánh giá KH khó có thể trả nợ đúng hạn.

- Với KH nhóm 2: Nếu KH phát sinh ít nhất 01 tiêu chí thuộc Nhóm cảnh báo

Da cam Đỏ => đưa KH vào vùng cảnh báo Da cam Đỏ. Biện pháp xử lý các trường

hợp tương tự như KH nợ nhóm 1.

Đối với KHDN thì PVComBank đưa ra hệ thống chỉ tiêu gồm các nhóm: Các

tiêu chí cảnh báo liên quan đến ngành, chính sách vĩ mô; liên quan đến tình hình hoạt

động SXKD của DN; tình hình quan hệ tín dụng với PvcomBank;

Bảng 2.3: Chỉ tiêu và phân luồng cảnh báo sớm KHDN tại ngân hàng PVCombank

STT

Dấu hiệu

Tần suất

Hiệu lực

Ngƣời thực

Xếp nhóm

hiện

Nhóm 1

Ý

Nhóm 2

kiến

Xanh

Vàng

Đỏ

Vàng

Da

Đỏ

khác

cam

I- Danh sách tiêu chí cảnh báo liên quan ngành, chính sách vĩ mô:

Định hướng ngành sản xuất kinh doanh chính của

6 tháng

RM+ CV

doanh nghiệp là suy giảm hoặc thay đổi theo chiều

CBNRRS

hướng th t chặt hơn

Có thông tin trên báo truyền thông tiêu cực mà nguồn

1 tháng

RM+ CV

tin xuất phát từ một cơ quan nhà nước hoặc cơ quan

CBNRRS

không thuộc nhà nước nhưng đáng tin cậy

Thay đổi chính sách của chính phủ làm ảnh hưởng xấu

6 tháng

RM+ CV

đến hoạt động sản xuất kinh doanh của Doanh nghiệp

CBNRRS

II- Danh sách tiêu chí cảnh báo liên quan đến tình hình hoạt động SXKD của DN

Có sự thay đổi về cơ cấu tổ chức của ban lãnh đạo

1 tháng

Doanh nghiệp hay có sự xuất hiện bất đồng, mâu thuẫn

trong ban lãnh đạo doanh nghiệp có thể ảnh hưởng xấu

đến hoạt động SXKD của DN hay không

Khó liên hệ với CSH công ty CEO không liên hệ được

1 tháng

bằng điện thoài hoặc gặp trực tiếp

Mối quan hệ với ít nhất 1 trong 3 KH đầu ra lớn nhất

3 tháng

trở nên nghiêm trọng phải thương lượng lại một cách

bất lợi trong 3 tháng gần đây

Mối quan hệ với ít nhất 1 trong 3 nhà cung cấp lớn nhất

3 tháng

trở nên nghiêm trọng phải thương lượng lại một cách

bất lợi trong 3 tháng gần đây

Doanh nghiệp có đầu tư mở rộng hoạt động SXKD

1 tháng

không phải ngành kinh doanh chính của mình không?

Hoạt động bán hàng sản xuất của DN sụt giảm doanh

3 tháng

RM+CV

số giảm so với cùng kỳ năm trước

CBNRRS

III- Danh sách tiêu chí cảnh báo tình hình quan hệ tín dụng với Pvcombank

Hiện tại dư nợ bình quân tháng >95% vằng tăng lên

1 tháng

ARM+CV

>20% so với dư nợ bình quân 6 tháng gần nhất

CBNRRS

Thanh toán nợ gốc đến hạn chậm 03 ngày trở lên

1 tháng

ARM+CV

CBNRRS

Thanh toán nợ lãi chậm 05 ngày trở lên

1 tháng

ARM+CV

CBNRRS

Thanh toán nợ gốc chậm từ 07 ngày trở lên; hoặc thanh

1 tháng

ARM+CV

toán nợ lãi chậm 09 ngày trở lên

CBNRRS

Đã từng chuyển nợ nhóm 1 sang nhóm 2 trong 6 tháng

1 tháng

ARM+CV

vừa qua

CBNRRS

Khoản vay được thanh toán đúng vào ngày đến hạn và

1 tháng

ARM+CV

sau đó trong vòng 3 ngày làm việc kề sau, KH tiếp tục

CBNRRS

xin giải ngân đúng bằng khoản vay cũ hoặc giao động

+/- 5%

Giảm giá TSBĐ trên 10% so với giá trị định giá tại thời

Theo quy

1 tháng

ARM+CV

điểm phê duyệt khoản vay hoặc thời điểm định giá kỳ

định

CBNRRS

định giá gần nhất

Giảm giá trị TSBĐ sụt giảm dẫn đến không đủ đảm bảo

Theo quy

1 tháng

ARM+CV

cho khoản vay

định

CBNRRS

TSBĐ là hàng hoá được lưu giữ tại kho chung, có khả

1 tháng

năng xảy ra trùng hàng tranh chấp hàng với nhà cung

câps bạn hàng TCTD khác

Không thực hiện đúng các cam kết với Ngân hàng

1 tháng

ARM

cung cấp hồ sơ, chuyển doanh thu…

Doanh nghiệp có dấu hiệu gian dối với

1 tháng

ARM

Pvcombank/TCTD khác

Nguồn: Tài liệu nội bộ của ngân hàng PVComBank

Qua hệ thống chỉ tiêu cảnh báo và nguyên t c phân luồng KHCN của

PVComBank có thể thấy hệ thống hoạt động dựa trên phương pháp định tính và mô

hình chuyên gia. Chưa có chấm điểm rủi ro làm cơ sở phân loại KH theo nhóm mức độ

rủi ro. Tần suất điều tra cảnh báo sớm RRTD của KHCN ít hơn so với KHDN, điều này

là hợp lý bởi vì mức độ RRTD đối với những khoản vay càng lớn thì đánh giá càng

phức tạp. Tình trạng trả nợ của KH doanh nghiệp chịu ảnh hưởng bới nhiều yếu tố vĩ

mô và ngành nên có thể cần theo dõi với tần suất cao hơn. Tuy nhiên có những ngành

có mức độ nhạy cảm cao thì tần suất đánh giá 6 tháng 1 lần vẫn là thấp; ví dụ như

ngành bất động sản thì mức độ điều tra cảnh báo sớm cần thường xuyên hơn nữa 3

tháng 1 lần .

Một đặc điểm nữa của hệ thống cảnh báo sớm RRTD của PVComBank nói

riêng và các NH nhỏ tại Việt Nam nói chung là chủ yếu việc thu thập thông tin và đánh

giá được thực hiện theo hình thức thủ công. Tức là, các cán bộ tín dụng tự theo dõi và

quản lý KH, tự đánh giá và phát hiện dấu hiệu cảnh báo sớm theo bộ chỉ tiêu hướng

dẫn của ngân hàng đặt ra. Điều này có thể phù hợp khi qui mô KH nhỏ, số lượng KH ít

và KH ít có biến động trong nguồn trả nợ hay hoạt động sản xuất kinh doanh. Nhưng

nếu số lượng KH lớn, hoặc qui mô khoản vay lớn thì hệ thống cảnh báo thủ công như

vậy ch c ch n s không hiệu quả, dễ dẫn đến sai sót trong tác nghiệp, bỏ qua dấu hiệu

cảnh báo sớm RRTD, không phát hiện RRTD kịp thời để có biện pháp phòng ngừa và

ứng xử phù hợp.

Đối với ngân hàng Vietinbank, hệ thống cảnh báo sớm RRTD của Vietinbank

cho cả KHCN và KHDN chia thành hai nhóm là chỉ tiêu cảnh báo do hệ thống tự động

trích suất và chỉ tiêu cảnh báo do cán bộ ngân hàng tự điều tra và kết luận. Mỗi hệ

thống có mức chấm điểm rủi ro cụ thể để lượng hoá mức rủi ro của KH và đưa vào ma

trận rủi ro để có kết quả đánh giá cuối cùng, lấy hệ thống cảnh báo sớm đối với

KHDNVVN làm ví dụ. Cụ thể như sau:

Hệ thống chỉ tiêu tự động cảnh báo từ hệ thống cảnh báo sớm gồm 13 chỉ tiêu,

chủ yếu là phản ánh tình hình quan hệ tín dụng với Ngân hàng:

Bảng 2.4: Chỉ tiêu cảnh báo tự động trong hệ thống cảnh báo sớm RRTD của ngân hàng Vietinbank đối với KH DN VVN

Tên chỉ tiêu

Mô tả cách đo lƣờng

STT 1

Số lần điều chỉnh kỳ hạn nợ

Số lần gia hạn nợ

Số lần quá hạn dưới 10 ngày trong vòng 6 tháng gần nhất Thời điểm quá hạn gần nhất

Số lần điều chỉnh kỳ hạn nợ của các giấy nhận nợ của KH trong vòng 3 tháng vừa qua tính đến thời điểm chấm điểm Số lần gia hạn nợ của các giấy nhận nợ của KH trong vòng 3 tháng vừa qua tính đến thời điểm chấm điểm Số lần quá hạn dưới 10 ngày của các GNN của KH trong vòng 3 tháng tính đến thời điểm chấm điểm Khoảng thời gian tính theo số tháng từ thời điểm gần nhất một GNN của KH có trạng thái nợ quá hạn trong vòng 3 tháng vừa qua tính đến thời điểm chấm điểm Số ngày quá hạn nợ lớn nhất trong các GNN của KH trong vòng 3 tháng vừa qua tính đến thời điểm chấm điểm Số lần quá hạn trên 10 ngày của các GNN của KH trong vòng 3 tháng vừa qua tính đến thời điểm chấm điểm

Tỷ lệ Doanh số tiền về bình quân Dư nợ bình quân theo ngày trong vòng 3 tháng vừa qua tính đến thời điểm chấm điểm

Số ngày quá hạn lớn nhất trong vòng 3 tháng gần nhất Số lần quá hạn trên 10 ngày trong vòng 6 tháng gần nhất Tỷ lệ Doanh số tiền về bình quân Dư nợ bình quân theo ngày) Tỷ lệ số dư tiền gửi bình quân Dư nợ bình quân theo ngày Tỷ lệ tổng dư nợ của KH Giá trị TSBĐ của KH LTV Nhóm nợ cao nhất của KH trong vòng 3 tháng gần nhất

Tỷ lệ số dư tiền gửi bình quân Dư nợ bình quân theo ngày trong vòng 3 tháng vừa qua tính đến thời điểm chấm điểm Tỷ số Tổng dư nợ của KH Giá trị toàn bộ TSBĐ tại thời điểm cuối tháng trước thời điểm chấm điểm Nhóm nợ cao nhất của KH tại Vietinbank hoặc các TCTD khác trong vòng 3 tháng gần nhất

Nguồn: tài liệu nội bộ ngân hàng Vietinbank

điểm điều tra hệ thống= ∑ điểm từng chỉ tiêu* Tỷ trọng điểm từng chỉ tiêu

Điểm Tổng của các chỉ tiêu được xác định theo từng phương án:

Ví dụ: đối với chỉ tiêu 01

- KH chưa có cơ cấu nợ: 10 điểm - KH có nợ cơ cấu dưới 3 lần: 8 điểm

- KH có cơ cấu nợ từ 3 lần trở lên: 5 điểm

Các ngưỡng mức độ cảnh báo hệ thống theo điểm như sau:

Bảng 2.5: Các ngƣỡng cảnh báo sớm RRTD tự động đối với KHDNVVD tại Vietinbank

Điểm

Mức độ cảnh báo (hệ thống)

> 85 điểm

Cảnh báo xanh

76 - 85 điểm

Cảnh báo vàng

< 76 điểm

Cảnh báo đỏ

Nguồn: tài liệu nội bộ ngân hàng Vietinbank

Danh sách các KH được cảnh báo vàng & đỏ hệ thống s được hiển thị tại màn

hình EWS theo chi nhánh để các chi nhánh thực hiện điều tra cảnh báo sớm theo bộ câu hỏi điều tra như sau:

Bảng 2.6: câu hỏi điều tra trong hệ thống cảnh báo sớm RRTD của ngân hàng Vietinbank đối với KH DNVVN

Câu hỏi điều tra

STT 1 2 3 4 5

12 13 14 15

17 18

19 20

22 23

Mức sụt giảm doanh thu của quý gần nhất so với quý cùng kỳ năm trước Tăng trưởng phải thu của quý gần nhất so với quý cùng kỳ năm trước Tăng trưởng hàng tồn kho quý gần nhất so với quý cùng kỳ năm trước Lợi nhuận trước thuế quý gần nhất so với quý cùng kỳ năm trước Giao dịch của công ty với các nhà cung cấp lớn của mình trong 3 tháng gần nhất có giảm sút không? Đối tác truyền thống đầu vào đầu ra của Doanh nghiệp không tiếp tục thực hiện các hợp đồng hoặc từ chối ký kết hợp đồng mới trong 3 tháng gần nhất Trong 3 tháng gần nhất, có xảy ra khiếu nại của đối tác hoặc có hàng hóa bị trả lại lớn hơn 20% doanh thu hay không? Trong 3 tháng qua, cá nhân là người điều hành chính cổ đông lớn đại diện của doanh nghiệp có phát sinh các vụ việc liên quan đến kiện tụng không? Trong 3 tháng qua, có sự thay đổi về ban lãnh đạo người điều hành chính cổ đông lớn hay không? Trong 3 tháng qua, mối quan hệ giữa các thành viên trong gia đình người điều hành, chủ DNTN, công ty TNHH 1 thành viên, thành viên góp vốn có tỷ lệ góp vốn >=50% Trong 3 tháng qua, người điều hành, chủ DNTN, công ty TNHH 1 thành viên, thành viên góp vốn có tỷ lệ góp vốn >=50% là cá nhân bị chết Mức độ tuân thủ nghĩa vụ doanh số giao dịch cam kết tại Vietinbank Nhóm nợ cao nhất của KH tại Vietinbank hoặc các TCTD khác trong vòng 3 tháng gần nhất Thiện chí hợp tác của KH trong việc cung cấp thông tin, tài liệu cho VietinBank Có những thay đổi về chính sách Quy định của CP có tác động bất lợi đến hoạt động kinh doanh của công ty không? Trong 3 tháng qua, các kênh thông tin đại chúng có đưa đăng các thông tin xấu, ảnh hưởng tiêu cực đến hoạt động kinh doanh của doanh nghiệp không? Tình hình KH thực hiện nghĩa vụ với Nhà nước, nợ thuế, nợ tiền bảo hiểm xã hội như thế nào? Trong 3 tháng qua, KH có thay đổi ngành nghề kinh doanh chính hoặc ngành nghề kinh doanh của KH có chuyển biến xấu KH phát sinh sự cố cháy nổ, sập công trình Công ty có kế hoạch mở rộng đang triển khai hoạt động kinh doanh mới trong vòng 3 tháng tới hay không? Với thông tin đánh giá TSBĐ gần nhất, TSBĐ có đủ để đảm bảo nghĩa vụ của KH tại Vietinbank theo đúng quy định về tỷ lệ cho vay giá trị TSBĐ? TSĐB cho khoản vay tại Vietinbank bị thiệt hại do cháy nổ, trộm c p Có thông tin về bất động sản thế chấp tại Vietinbank thuộc trường hợp giải tỏa theo yêu cầu của cơ quan có thẩm quyền Các thủ tục thế chấp TSĐB, đăng ký GDĐB, bảo hiểm và chuyển quyền thụ hưởng bảo hiểm… đã hoàn thiện theo đúng quy định chưa? Theo chi nhánh, có thể đánh giá chung về khả năng giảm giá trị, tính thanh khoản kém đi hay các yếu tố bất lợi cho TSBĐ ở mức nào sau đây? Theo chi nhánh, khoản nợ của KH có khả năng chuyển thành nợ loại 2 trở lên trong vòng 3 tháng tới hay không? Tỷ lệ % dư nợ được bảo đảm bằng hàng hóa, quyền đòi nợ, MMTB là bao nhiêu?

Nguồn: tài liệu nội bộ ngân hàng Vietinbank

Tổng điểm câu hỏi điều tra = ∑ điểm từng chỉ tiêu* Tỷ trọng điểm từng chỉ tiêu

Điểm của các chỉ tiêu được xác định theo từng phương án

Ví dụ: Với chỉ tiêu 05

- Có: 50 điểm

- Không: 100 điểm

Các ngưỡng cảnh báo mức độ cảnh báo hệ thống theo điểm như sau:

Bảng 2.7: Các ngƣỡng cảnh báo sớm RRTD tổng hợp đối với KHDNVVD tại Vietinbank

Điểm

Mức độ cảnh báo (hệ thống)

> 750 điểm

Cảnh báo xanh

650-750 điểm

Cảnh báo vàng

<650 điểm

Cảnh báo đỏ

Nguồn: tài liệu nội bộ ngân hàng Vietinbank

Nếu KH có phương án trả lời câu hỏi thứ 19 hoặc câu hỏi thứ 26 là: “Có” thì lập

tức KH s bị phân luồng đỏ mà không phụ thuộc vào điểm điều tra

Bảng 2.8: Ma trận cảnh báo sớm RRTD với KHVVN tại Vietinbank

Câu hỏi điều tra

Xanh

Vàng

Đỏ

Hệ thống

Xanh Vàng

Không điều tra Vàng Đỏ

Đỏ Đỏ

Xanh Vàng Đỏ

Nguồn: tài liệu nội bộ ngân hàng Vietinbank

Hệ thống cảnh báo sớm RRTD của Vietinbank sử dụng nhiều hơn các thông tin

kế toán của KH vay vốn. Bên cạnh đó hệ thống chỉ tiêu cảnh báo sớm cũng nhấn mạnh

hơn đến các thông tin về pháp lý KH, tình hình sản xuất kinh doanh, hệ thống quản trị,

tài sản bảo đảm, mối quan hệ tín dụng giữa KH và ngân hàng.

Hệ thống được thực hiện bán tự động: nhiều chỉ tiêu s được tự động trích ra tự

hệ thống cảnh báo sớm RRTD, sau đó gửi về các ĐVKD để tiếp tục trả lời các câu hỏi

điều tra cảnh báo sớm. Hai nhóm thông tin tự động và thủ công được kết hợp với nhau

để chấm điểm rủi ro và đánh giá phân luồng rủi ro KH. Như vậy, có thể nhận thấy tại

Vietinbank thì hệ thống cảnh báo sớm RRTD đã được định lượng hoá một cách đơn

giản, dễ thực hiện, góp phần nâng cao chất lượng cảnh báo sớm RRTD do khách quan

và được chuẩn hoá nhiều hơn hệ thống cảnh báo sớm RRTD tại một số ngân hàng nhỏ.

Tuy nhiên, về hệ thống chỉ tiêu cảnh báo sớm RRTD tại cả hai nhóm ngân hàng

trong khảo sát là các ngân hàng đã hoàn thành hệ thống cảnh báo sớm RRTD và nhóm

ngân hàng đang triển khai hệ thống cảnh báo sớm RRTD, nghiên cứu sinh nhận thâý

rằng đều thiếu các chỉ tiêu cảnh báo sớm thuộc nhóm các yếu tố vĩ mô như GDP, lạm

phát…Hệ thống chỉ tiêu cảnh báo sớm mới chỉ dừng lại ở các yếu tộ nội tại bên trong

của KH vay vốn và các yếu tố trong môi trường ngành, trong khi RRTD của KH thực

tế có thể xuất phát từ nguyên nhân thuộc môi trường vĩ mô như: môi trường chính trị

bất ổn, thay đổi trong luật pháp, suy giảm hoặc khủng hoảng kinh tế, thay đổi công

nghệ, thay đổi thói quen tiêu dùng…Do vậy, đây là một điểm cần hoàn thiện với hệ

thống chỉ tiêu cảnh báo sớm RRTD tại các NHTM hiện nay.

Các NHTM Việt Nam mới chủ trọng vào xây dựng hệ thống chỉ tiêu cảnh báo

sớm RRTD với các KH, các khoản vay riêng lẻ, chưa có hệ thống chỉ tiêu cảnh báo

sớm RRTD với nhóm KH liên quan. Thực tế thì RRTD của các KH và những người có

liên quan s tác động qua lại và ảnh hưởng lẫn nhau. Do vậy, việc tìm hiểu đặc điểm

từng nhóm KH, nghiên cứu các dấu hiệu cảnh báo sớm RRTD và xây dựng hệ thống

chỉ tiêu cảnh báo sớm RRTD đối với nhóm KH có liên quan là hết sức cần thiết.

Ngoài ra, đối với những KH thuộc từng ngành kinh doanh khác nhau cũng cần

có những chỉ tiêu cảnh báo riêng, đặc biệt là những KH đặc thù. Ví dụ các doanh

nghiệp Star Up khi vay vốn thì RRTD cần được đánh giá theo hệ thống chỉ tiêu riêng,

không nên áp dụng chung hệ thống chỉ tiêu với các KH thông thường vì s thiếu cơ sở

2.2.1.3. Thực trạng về phương pháp đo lường rủi ro tín dụng

dữ liệu quá khứ.

Kết qủa khảo sát về phương pháp cảnh báo sớm RRTD tác giả thu thập được

như sau:

100

Bảng 2.9: Khảo sát về phƣơng pháp đo lƣờng RRTD tại các NHTM

Việt Nam

Các kết quả công việc lƣợng

Các

Vietin

Techcom

Exim

hóa RRTD theo phƣơng pháp

Ngân

VCB

VIB

BIDV

ACB

bank

thống kê tại các NHTM Việt

hàng

Nam

còn lại

Đã xây dựng và sử dụng hệ

thống xếp hạng tín dụng nội bộ

Đã xây dựng và sử dụng

để phân loại KH

Chưa

Đã tính toán các chỉ số PD,

Đang trong lộ trình thực

tính

Đã tính toán cho một nhóm KH

LGD, EL

hiện

toán

Đã tính toán UL và VaR tín

Chưa tính toán

dụng

Sử dụng các mô hình để tính

toán phân phối tổn thất tín

Chưa sử dụng

dụng và VaR tín dụng

Nguồn: Khảo sát của tác giả

a. Nhóm các Ngân hàng đã công bố hoàn thành hệ thống cảnh báo sớm RRTD

Đến thời điểm hiện tại theo kết quả khảo sát, đã có hai ngân hàng công bố hoàn

thành hệ thống cảnh báo sớm RRTD là Vietinbank và Vietcombank. Kết quả khảo sát

cho thấy hai ngân hàng này sử dụng phương pháp đo lường RRTD theo phương pháp

kết hợp cả định tính và định lượng.

Việc công bố hoàn thành hệ thống này cho thấy nỗ lực của hai ngân hàng trong

việc tiếp cận các chuẩn mực quốc tế, nâng cao hiệu quả công tác quản trị rủi ro và quản

lý nợ.

Hệ thống cảnh báo sớm RRTD VietinBank là hệ thống có khả năng tích hợp

nhiều nguồn thông tin của KH. Theo đó tích hợp và đánh giá mức độ rủi ro thông qua 3

hệ thống công nghệ thông tin quan trọng của VietinBank gồm: Hệ thống Kho Dữ liệu

doanh nghiệp - EDW, Hệ thống Xếp hạng tín dụng nội bộ, Hệ thống Quản lý RRTD.

Kết hợp nền tảng này cùng với các nguồn thông tin chính thống và đáng tin cậy từ bên

ngoài, VietinBank có được những thông tin đầy đủ về KH như: Tình hình tài chính của

101

KH với VietinBank và với các TCTD khác; tình trạng pháp lý, cơ cấu tổ chức, nhân sự

của KH; tình hình tài chính, sản xuất kinh doanh; môi trường, ngành nghề kinh doanh,

nguồn trả nợ, vị trí địa lý, tài sản đảm bảo…Hệ thống cảnh báo sớm RRTD có khả

năng hiệu chỉnh tham số thông qua mô hình thống kê từ đó có được đánh giá chính xác

nhất về RRTD đối với KH và các biện pháp xử lý phù hợp. Sản phẩm có đầu tư lớn về

giao diện, xây dựng các màn hình trực quan giúp cho người dùng có thể dễ dàng nhận

thấy các rủi ro của KH. Trong năm 2016, Hệ thống này đã được VietinBank chỉnh sửa,

nâng cấp để có thể vận hành với hệ thống Core Banking mới có tên gọi là Core

SunShine. Phiên bản mới của sản phẩm dự kiến s không chỉ dựa trên các thông tin

chính thức từ hệ thống nội bộ, mà còn có khả năng liên kết và tích hợp với Trung tâm

Thông tin tín dụng của NHNN CIC , cơ quan thuế, báo cáo tài chính của KH. Đồng

thời, Hệ thống này còn có thể thu thập thông tin phi cấu trúc từ mạng xã hội, từ các

website uy tín… để từ đó có được thông tin đầy đủ về KH. Thời gian tới VietinBank s

tiếp tục đầu tư nghiên cứu, cải tiến, mở rộng mô hình và bộ chỉ tiêu của KH… Hoạt

động này giúp VietinBank có được những đánh giá chính xác nhất về KH, từ đó cải

thiện chất lượng tín dụng trong ngân hàng.

Năm 2018, Ngân hàng Vietcombank cũng công bố hoàn thành việc xây dựng hệ

thống cảnh báo sớm RRTD cùng với việc được NHNN công nhận là một trong hai

ngân hàng đạt chuẩn Basel II, sạch nợ VAMC. Hệ thống cảnh báo sớm của

Vietcombank có mục đích tự động rà soát toàn bộ các khoản nợ và phát hiện các trường

hợp có thể suy giảm chất lượng trong vòng 6 tháng tới, từ đó giúp Vietcombank có

những biện pháp hiệu quả quản lý chất lượng danh mục tín dụng. Hệ thống cảnh báo

sớm RRTD của Vietcombank là một hệ thống dựa trên các dấu hiệu rủi ro của KH,

khoản vay của KH suy giảm tình hình kinh doanh, chỉ số tài chính, dòng tiền trả nợ

của KH có dấu hiệu bất thường, biến động bất lợi của thị trường… và thông qua các

kỹ thuật tính toán hiện đại, mô hình thống kê từ dữ liệu lịch sử để đưa ra danh sách KH

có khả năng gặp khó khăn trong vòng 6 tháng tiếp theo. Danh sách KH này sau đó s

được các đơn vị kinh doanh phân tích và được chuyên gia của các bộ phận chuyên môn

tại Trụ sở chính rà soát. Để tối đa hóa hiệu quả hệ thống này, Vietcombank cũng đã ban

hành khung chính sách về cảnh báo sớm, trong đó xác định rõ chức năng, nhiệm vụ của

từng bộ phận, quy trình thực hiện và cơ chế vận hành, đảm bảo trao đổi, cập nhật

102

thường xuyên giữa các bộ phận nghiệp vụ về dấu hiệu rủi ro, các thuật toán phù hợp

với sự biến đổi liên tục và phức tạp từ thực tế. Vietcombank là ngân hàng có danh mục

tín dụng minh bạch và có chất lượng tốt nhất, mà một trong các nguyên nhân quan

trọng là thực hiện kiểm soát từ sớm các khoản nợ nhóm 2 tăng cường công tác quản

lý, tích cực rút giảm dư nợ… . Với việc triển khai hệ thống cảnh báo sớm RRTD, ứng

dụng với các khoản nợ từ nhóm 1, Vietcombank s tăng cường chủ động quản lý và

kiểm soát toàn diện danh mục tín dụng, nâng cao hơn nữa chất lượng hoạt động của

Vietcombank, hiện thực hóa mục tiêu là ngân hàng quản trị rủi ro tốt nhất Việt Nam.

Tại các nước phát triển trên thế giới, không phải ngân hàng nào cũng có thể tự

phát triển hệ thống cảnh báo sớm RRTD, mà thay vào đó họ thường phải đặt hàng hoặc

mua phần mềm từ các nhà cung cấp chuyên nghiệp bên ngoài. Chi phí để mua hệ thống

khá lớn ước tính từ 0,5 đến 1 triệu USD phần mềm chưa kể đến thời gian và chi phí

để chỉnh sửa cho phù hợp với hệ thống Core của ngân hàng. Cùng với trở ngại đó, việc

tích hợp và liên kết dữ liệu tự động giữa ệ thống cảnh báo sớm RRTD và các hệ thống

dữ liệu khác của ngân hàng cũng tốn thời gian, chi phí nhân lực và chi phí tài chính

không nhỏ.

Với tiềm lực tài chính đầu tư phát triển công nghệ cùng đội ngũ chuyên gia công

nghệ thông tin giàu kinh nghiệm, VietinBank và Vietcombank đã tự phát triển được hệ

thống cảnh báo sớm RRTD. Hoạt động này đã giúp các ngân hàng này tiết kiệm chi

phí, rút ng n thời gian phát triển 1 dự án lớn.

b. Nhóm các Ngân hàng đang triển khai hệ thống cảnh báo sớm RRTD

Kết quả khảo sát cho thấy đa số các NHTM đều đã và đang xây dựng hệ thống

xếp hạng tín dụng nội bộ làm cơ sở cho việc phân loại KH cũng như đánh giá RRTD.

Hệ thống xếp hạng tín dụng nội bộ được xem là một trong những căn cứ cơ bản nhất để

ngân hàng tính toán các thước đo rủi ro PD, LGD cho từng đối tượng KH, từ đó tính

toán các thông số EL, UL và VaR tín dụng. Tuy nhiên, đa số các NHTM cũng mới chỉ

bước đầu ứng dụng hệ thống xếp hạng tín dụng nội bộ để phân loại và ra quyết định tín

dụng với KH vay vốn chứ chưa khai thác hệ thống này để lượng hóa rủi ro.

Trong số các ngân hàng đi đầu về việc lượng hóa RRTD, một số ngân hàng đã

sử dụng hạng KH theo hệ thống xếp hạng tín dụng nội bộ để tính ra PD phương pháp

thống kê toán học thông thường chứ chưa phải phương pháp mô hình hóa . Chỉ tiêu

LGD được một số ngân hàng tính dựa trên giá trị khoản vay, giá trị tài sản đảm bảo và

103

loại tài sản đảm bảo, một số ngân hàng khác đưa ra giả định về LGD theo một tỷ lệ %

nhất định dựa trên nhóm nợ. Các ngân hàng này đã tính được EL nhằm ra quyết định

cho vay và làm cơ sở để trích lập dự phòng rủi ro. Việc tính UL và VaR tín dụng cũng

bước đầu được các ngân hàng này thử tính toán nhưng cũng chưa mang lại kết quả

đáng tin cậy.

Đa số các NHTM Việt Nam mới chỉ dừng lại ở việc tính tổn thất trong dự tính, và

chủ yếu mới chỉ dựa trên phương pháp định tính chứ chưa phải phương pháp định lượng.

c. Nhóm các Ngân hàng chưa triển khai hệ thống cảnh báo sớm RRTD

Một số nguyên nhân được đưa ra từ các cán bộ quản trị RRTD tại các NHTM

thuộc nhóm này, mà cuộc khảo sát thu thập được như sau:

- Một số NHTM chưa xây dựng được hệ thống cơ sở thông tin để thu thập và

lưu trữ được các thông tin KH hàng vay vốn.

- Nhân sự còn non trẻ và không ổn định, tỷ lệ chuyển công tác cao, do đó việc

theo dõi, n m b t những thay đổi về KH vay vốn không tốt

- Chưa có bộ phận chuyên trách để xây dựng hệ thống chỉ tiêu cảnh báo,

phương pháp cảnh báo, mô hình cảnh báo sớm RRTD

- Tiềm lực tài chính còn hạn chế để có thể đầu tư xây dựng hệ thống cảnh báo

sớm RRTD hiệu quả

- Phạm vi hoạt động và số lượng KH vay vốn còn nhỏ, qui mô hoạt động tín

2.2.1.4 Thực trạng về triển khai hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân

hàng thương mại Việt Nam

dụng không lớn nên chưa cần thiết phải đầu tư hệ thống cảnh báo sớm RRTD

Kết quả khảo sát được thực hiện trên 392 cán bộ quản trị RRTD tại các NHTM

Việt Nam về đánh giá hệ thống cảnh báo sớm RRTD tại ngân hàng mình đang công tác

như sau:

104

Bảng 2.10: Điểm trung bình về đánh giá về hệ thống cảnh báo sớm RRTD

ĐÁNH GIÁ VỀ HỆ THỐNG CẢNH BÁO SỚM RRTD TẠI NGÂN HÀNG

N

Mean

(Min 1 - Max 5)

(Mẫu)

(Điểm TB)

CauII.7

Tính hợp lý của việc áp dụng hệ thống cảnh báo sớm RRTD

392

3.10

CauII.8

Sự cần thiết của việc áp dụng hệ thống cảnh báo sớm RRTD

392

3.82

CauII.9

Anh Chị có nghĩ các phương pháp đo lường rủi ro tại Ngân hàng của

392

3.54

Anh chị s thay đổi trong vòng 02 năm tới?

Nguồn: Kết quả khảo sát của tác giả

Theo kết quả khảo sát ở bảng 2.9 cho thấy, các nhận định về hệ thống cảnh báo

sớm RRTD đều đạt mức điểm cao hơn 3.00 điểm, trong đó nhận định về “Sự cần thiết

của việc áp dụng hệ thống cảnh báo sớm RRTD” đạt mức điểm cao nhất 3.82 và “Tính

hợp lý của việc áp dụng hệ thống cảnh báo sớm RRTD” chỉ đạt 3.1. Điều này cho thấy

mặc dù các cán bộ quản trị RRTD đánh giá các tiêu chí cảnh báo sớm đã tương đối đầy

đủ, nhưng phương pháp cảnh báo chưa hiện đại và chưa thực sự hợp lý. Chỉ có hơn 30%

phiếu điều tra có kết quả “Hệ thống cảnh báo sớm RRTD có khả năng cảnh báo đúng

nguy cơ rủi ro với xác suất đúng lớn”. Như vậy có nghĩa là gần 70% số phiếu trả lời là hệ

thống cảnh báo sớm RRTD tại ngân hàng của họ chưa cảnh báo đúng KH có khả năng

vỡ nợ. Ở phần lý giải thêm, cuộc khảo sát thu thêm được ý kiến cho rằng hầu hết hệ

thống chỉ đưa ra cảnh báo khi KH đã nhảy nhóm nợ chậm trả gốc, lãi từ 10 ngày trở

lên , do đó ý nghĩa thực sự của cảnh báo sớm là chưa được thực hiện. Tóm lại việc áp

dụng hệ thống cảnh báo sớm RRTD tại các NHTM là cần thiết, tuy nhiên các NHTM cần

tiếp tục hoàn thiện hệ thống chỉ tiêu cảnh báo, phương pháp cảnh báo để thiết lập các

ngưỡng cảnh báo hợp lý, có khả năng đưa ra cảnh báo sớm RRTD trước khi KH chậm

thanh toán.

Với câu hỏi “Anh Chị có nghĩ các phương pháp đo lường rủi ro tại Ngân hàng

của Anh Chị s thay đổi trong vòng 02 năm tới?” thì có 18% trả lời là không có sự thay

đổi trong vòng 02 năm tới và 82 % trả lời là có sự thay đổi trong 02 năm tới. Với quy

định của NHNN trong việc triển khai ứng dụng Basel II hiện nay đối với các NHTM thì

các NHTM đều phải thay đổi cách đo lường rủi ro tại ngân hàng mình để phù hợp với

chuẩn mực của Basel II.

105

Bảng 2.11: Điểm trung bình tính tuân thủ, minh bạch khi triển khai hệ thống

cảnh báo sớm RRTD

TÍNH TUÂN THỦ, MINH BẠCH KHITHỰC HIỆN CẢNH BÁO SỚM RRTD

N

Mean

(Min 1 - Max 5)

(Mẫu)

(Điểm TB)

CauIV.14

Thực hiện theo cảnh báo sớm RRTD, ngân hàng phải thực hiện

392

3.47

thêm nhiều báo cáo nhiều chỉ số hơn cho NHNN.

CauIV.15

Tất cả thông tin đầu vào hệ thống cảnh báo sớm RRTD đều có sẵn trên hệ

392

3.45

thống thông tin KH

CauIV.16

Khi quá thời hạn nộp báo cáo, NHNN s nh c nhở hoặc xử phạt

392

3.52

CauIV.17

NHNN định kỳ tổ chức các lớp tập huấn, nghiệp vụ về cảnh báo

392

3.50

sớm RRTD tới Ngân hàng của Anh Chị.

Nguồn: Kết quả khảo sát của tác giả

Tính tuân thủ, minh bạch khi thực hiện cảnh báo sớm RRTD được đánh giá ở

mức độ trung bình xấp xỉ 3.50 điểm, trong đó nhận định “Tất cả thông tin đầu vào hệ

thống cảnh báo sớm RRTD đều có sẵn trên hệ thống thông tin KH” có mức điểm thấp

nhất là 3.45 điểm. Như vậy, khó khăn và cũng là điểm yếu của các NHTM Việt Nam

vẫn nằm ở hệ thống thông tin đầu vào. Một điểm nữa là các hướng dẫn thực hiện cảnh

báo sớm RRTD mới được hầu hết các ngân hàng triển khai bằng văn bản, chưa có

nhiều các lớp tổ chức tập huấn nghiệp vụ về cảnh báo sớm RRTD được tổ chức cho các

bộ thực thi. Đó có thể là một nguyên nhân dẫn đến sự am hiểu về hệ thống và ý thực

thực hiện cấp thực thi còn hạn chế.

Cuối cùng là đánh giá về mức độ tuân thủ đầy đủ trách nhiệm của các đơn vị có

liên quan đến hệ thống cảnh báo sớm RRTD, cụ thể là bộ phận giám sát tín dụng, đơn

vị kinh doanh, trung tâm quản lý và thu hồi nợ, khối công nghệ thông tin.

106

Bảng 2.12: Điểm trung bình mức độ tuân thủ và đầy đủ trách nhiệm

của các đơn vị có liên quan thực hiện hệ thống cảnh báo sớm RRTD

tại các NHTM Việt Nam

TÍNH TUÂN THỦ, MINH BẠCH KHI THỰC HIỆN CẢNH BÁO SỚM RRTD

N

Mean

(Min 1 - Max 5)

(Mẫu)

(Điểm TB)

CauIV.18a

Anh chị đánh giá mức độ tuân thủ đầy đủ trách nhiệm của phòng

392

3.65

giám sát tín dụng.

CauIV.18b

Anh chị đánh giá mức độ tuân thủ đầy đủ trách nhiệm của đơn vị

392

3.42

kinh doanh.

CauIV.18c

Anh chị đánh giá mức độ tuân thủ đầy đủ trách nhiệm của trung tâm

392

3.84

quản lý, thu hồi nợ, phòng cấu trúc nợ.

CauIV.18d

Anh chị đánh giá mức độ tuân thủ đầy đủ trách nhiệm của khối công

392

3.55

nghệ thông tin.

Nguồn: Kết quả khảo sát của tác giả

Trong cơ cấu tổ chức mô hình cảnh báo sớm RRTD của các NHTM Việt Nam

thường có sự tham gia trực tiếp của 04 bộ phận là: bộ phận giám sát tín dụng, đơn vị

kinh doanh, trung tâm quản lý và thu hồi nợ-khối quản trị rủi ro và khối công nghệ

thông tin.

- Phòng giám sát tín dụng là đơn vị: thực hiện đánh giá các dấu hiệu cảnh báo

thuộc phân quyền, tổng hợp kết quả đánh giá của đơn vị kinh doanh, báo cáo giám đốc

khối quản trị kinh doanh và lãnh đạo ngân hàng. Đây là đơn vị đầu mối xây dựng các

qui định, hướng dẫn liên quan đến việc sử dụng hệ thống cảnh báo sớm RRTD, tiếp

nhận các yêu cầu hỗ trợ như cấp, điều chuyển, quản lý các tài khoản truy cập vào phần

mềm. Định kỳ đơn vị này s đánh giá hiệu suất, hiệu quả của công tác cảnh báo sớm

RRTD, đưa ra đề xuất cải tiến nhằm đạt hiệu quả cao nhất. Theo kết quả khảo sát thì

đơn vị này đã làm khá tốt chức năng đánh giá các dấu hiệu cảnh báo thuộc phân quyền

và xây dựng qui định hướng dẫn cảnh báo sớm RRTD. Tuy nhiên, việc tiếp nhận và

thực hiện yêu cầu hỗ trợ từ ĐVKD chưa kịp thời. Công tác kiểm soát việc thực thi các

107

qui định cảnh báo sớm chưa được chặt ch dẫn đến chưa đưa ra được những báo cáo cụ

thể về hiệu quả hệ thống cảnh báo sớm RRTD. Điểm trung bình về mức độ tuân thủ

đầy đủ trách nhiệm theo chức năng nhiệm vụ được quy định của đơn vị này là 3.65 chỉ

cao hơn ĐVKD và thấp hơn khối xử lý nợ và khối công nghệ thông tin.

- Đơn vị kinh doanh: Có thể nói chức năng của đơn vị này rất quan trọng trong

hệ thống cảnh báo sớm RRTD của tất cả các NHTM. Tuy nhiên theo kết quả khảo sát

thì điểm tuân thủ đầy đủ nhiệm vụ của đơn vị này lại thấp nhất là 3.42. Vấn đề ít được

tuân thủ nhất là công tác kiểm tra, đánh giá KH sau khi cho vay, tìm hiểu, thẩm định

qua nhiều nguồn thông tin khác nhau để thu thập thông tin và trả lời chính xác những

dấu hiệu cảnh báo sớm RRTD. Thực tế thì văn bản, qui định có đầy đủ và hợp lý nhưng

không được thực thi nghiêm túc thì s làm giảm đáng kể hiệu quả của cả hệ thống.

Nguyên nhân của tình trạng này có thể do sự quá tải trong quan lý KH của đơn vị kinh

doanh dẫn đến nơi lỏng công tác quản lý sau cho vay hoặc vấn đề chỉ đạo của lãnh đạo

đơn vị chưa sát sao, muốn làm đẹp kết quả kinh doanh mà không công khai các thông

tin đúng về tình trạng trả nợ của KH .

- Trung tâm quản lý và thu hồi nợ: bộ phận này có nhiệm vụ tiếp nhận danh

sách KH theo phân luồng của hệ thống, phân tích tình hình và thực thi biện pháp thu

hồi nợ phù hợp nhằm ngăn chặn chuyển nợ quá hạn. Mức độ tuân thủ nhiệm vụ của

đơn vị này được đánh giá tuy chưa phải thực sự cao nhưng ở mức điểm trung bình là

3.84 cho thấy những những hiệu quả nhất định đạt được trong công tác thu hồi nợ và

xử lý kết quả cảnh báo sớm RRTD của các NHTM.

- Cuối cùng là bộ phận công nghệ thông tin: Đây là yếu tố then chốt quyết định

hiệu quả của hệ thống. Cùng với điểm yếu của công tác kiểm tra sau vay để phát hiện dấu

hiệu cảnh báo sớm RRTD, thì công nghệ thông tin chưa hiện đại cũng là một yếu điểm của

hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam, với mức điểm trung bình được

đánh gía ở mức 3.55 cho thấy khối công nghệ thông tin của các NHTM cần nỗ lực hơn

trong việc xây dựng hệ thống thông tin hiện đại, đầy đủ, cập nhật nhanh thông tin và các

2.2.1.5 Thực trạng biện pháp ứng xử đối với các khoản vay trong danh sách cảnh

báo sớm

đơn vị khác cần để phục vụ cảnh báo sớm RRTD.

108

Trong quá trình nghiên cứu quy chế nội bộ của một số NHTM Việt Nam về hệ

thống cảnh báo sớm RRTD, nghiên cứu sinh nhận thấy, trong thực tế các NHTM Việt

Nam đang áp dụng một số biện pháp cơ bản đối với KH trong danh sách cảnh báo rủi

ro như sau:

(i) Chuyển thu hồi nợ trước hạn

- Chuyển thu hồi nợ trước hạn được hiểu là việc áp dụng các biện pháp nhiệp vụ

để KH tất toán khoản vay trước thời hạn theo nguyên t c thương lượng với KH hoặc

thực hiện theo các điều khoản trong hợp đồng văn bản đã ký với KH

- Khi áp dụng hình thức này, ngân hàng thường ngừng việc tiếp tục giải

ngân cấp tín dụng cho KH

- Sau tối thiểu 30 ngày kể từ ngày tất toán toàn bộ nghĩa vụ, trong trường hợp

KH có nhu cầu vay và đáp ứng được điều kiện tín dụng của ngân hàng thì quy trình

thẩm định s được thực hiện theo quy định.

(ii) Ngừng giải ngân, tiến hành thu hồi nợ khi đến hạn

- Ngừng giải ngân là việc ngân hàng không thực hiện giải ngân cho KH theo các

hợp đồng, văn bản đã được phê duyệt

- Việc áp dụng hình thức này được thực hiện khi ngân hàng xác định không

tiêps tục đồng ý cấp tín dụng. Ngân hàng thông báo cho KH về việc ngừng giải ngân,

tiến hành thu hồi nợ đến hạn, tiến tới tất toán dư nợ của KH tại ngân hàng.

- Ngân hàng thực hiện kiểm tra, giám sát tình hình kinh doanh của KH, n m b t

kịp thời khả năng trả nợ của KH, xây dựng lộ trình thu hồi nợ từ KH. Chủ động yêu

cầu KH đưa các giải pháp xử lý khi khả năng trả nợ của KH bị suy giảm và xây dựng

các giải pháp xử lý trong trường hợp KH không trả được nợ.

(iii) Giữ nguyên hạn mức tín dụng trong 6 tháng, sau đó đánh giá lại

- Khi áp dụng hình thức này, ngân hàng giữ nguyên cam kết tín dụng đã cam kết

với KH hoặc giữ nguyên dư nợ tín dụng tại thời điểm phê duyệt áp dụng hình thức xử lý

theo phê duyệt, không tăng cam kết tín dụng mới trong thời gian áp dụng

- Trường hợp KH có nhu cầu tiếp tục giải ngân trong hạn mức đã được phê

duyệt thì giải ngân bình thường

109

- Trong trường hợp hạn mức tín dụng hết hạn hoặc KH tất toán nghĩa vụ tín

dụng và vẫn có nhu cầu quan hệ tiếp với ngân hàng thì đơn vị kinh doanh thực hiện

thẩm định và trình như khoản vay thông thường.

- Đến kỳ điều tra tiếp theo, trường hợp KH vẫn thuộc đối tượng điều tra cảnh

báo sớm RRTD thì cần đánh giá, phân loại lại và lựa chọn biện pháp phù hợp khác.

(iv) Cấu trúc nợ sớm

- Cấu trúc nợ sớm là hình thức áp dụng đối với KH gặp khó khăn tài chính tạm

thời, không có khả năng trả nợ đúng hạn nhưng ngân hàng đánh giá có khả năng trả nợ

trong thời gian cơ cấu lại. Cấu trúc nợ sớm bao gồm các biện pháp: thay đổi trật tự thu

nợ, cơ cấu lại thời hạn trả nợ và cho vay duy trì hoạt động.

(v) Các biện pháp quản lý bổ sung đối với KH có dấu hiệu cảnh báo sớm RRTD

- Tăng cường kiểm tra, giám sát hoạt động kinh doanh của KH: định kỳ hàng

tuần tháng ĐVKD thực hiện kiểm tra, theo dõi khả năng trả nợ của KH, đôn đốc KH trả

nợ đúng hạn, cập nhật thông tin về khả năng trả nợ của KH, lập báo cáo đối với những

trường hợp có khó khăn lên các cấp có thẩm quyền để có hướng xử lý kịp thời. Đồng

thời phối hợp với KH kh c phục các vấn đề rủi ro phát hiện

- Kiểm tra hiện trạng TSBĐ, định giá lại TSBĐ: định kỳ đột xuất cần đề

nghị bộ phận định giá TSBĐ thực hiện kiểm tra hiện trạng TSBĐ, định giá lại

TSBĐ theo quy định.

- Yêu cầu bổ sung TSBĐ: trong trường hợp định giá lại mà gía trị định giá

không đảm bảo đủ cho dư nợ vay hoặc được đánh giá là khả năng phát mại, xử lý kém,

ĐVKD có thể yêu cầy KH thay thế bổ sung các TSBĐ có giá trị cao hơn hoặc có khả

năng phát mại tốt hơn hoặc giảm dư nợ tương ứng…

2.2.2 Thực trạng về điều kiện xây dựng và triển khai hệ thống cảnh báo sớm rủi ro

tín dụng

Với các nhận định về lý do ngân hàng thực hiện cảnh báo sớm RRTD thì kết

quả phân tích cho thấy: nhận định “NHNN b t buộc thực hiện” có mức điểm cao nhất

là 3.65, nhận định “Lợi ích cho bản thân ngân hàng thực hiện” có mức điểm trung bình

là 3.61, nhận định “Tiếp cận chuẩn mực quốc tế trong hoạt động ngân hàng” có mức

điểm thấp nhất là 3.41. Như vậy là các cán bộ, nhân viên của ngân hàng đều cho rằng

110

việc ứng dụng cảnh báo sớm RRTD trong công tác quản trị RRTD là chủ yếu do

NHNN b t buộc và các NHTM đang chưa chủ động trong việc tiếp cận các chuẩn mực

quốc tế trong hoạt động của ngân hàng mình.

Đánh giá các điều kiện thuận lợi khi triển khai hệ thống cảnh báo sớm RRTD:

Bảng 2.13: Điểm trung bình về các điều kiện thuận lợi khi triển khai hệ thống

cảnh báo sớm RRTD

N (Mẫu)

Mean (Điểm TB)

CÁC ĐIỀU KIỆN THUẬN LỢI KHI TRIỂN KHAI HỆ THỐNG CẢNH BÁO SỚM RRTD (Min 1 - Max 5)

CauIII.11.a

392

3.42

CauIII.11.b

392

3.54

CauIII.11.c

392

3.52

CauIII.11.d

Khung pháp lý rõ ràng từ Chính phủ tới các Bộ Được sự hỗ trợ từ NHNN và các tổ chức quốc tế Được sự ủng hộ từ cổ đông Hội đồng quản trị Chi phí đầu tư tại thời điểm hiện tại thấp

392

3.45

Nguồn: Kết quả khảo sát của tác giả

Theo kết quả khảo sát ở bảng 2.10 cho thấy: các điều kiện thuận lợi khi triển

khai cảnh báo sớm RRTD được đánh giá cao nhất là được sự hỗ trợ từ NHNN và các tổ

chức quốc tế. Trong thực tế khung pháp lý hiện nay chưa thực sự rõ ràng nên mức điểm

trung bình đạt thấp nhất 3.42. Sở dĩ như vậy là do NHNN chưa quy định rõ về khung

pháp lý và chưa có các văn bản yêu cầu hay chỉ dẫn cụ thể tới cho các NHTM.

Đánh giá các lợi ích ngân hàng nhận được khi triển khai hệ thống cảnh báo

sớm RRTD

Bảng 2.14: Điểm trung bình lợi ích của ngân hàng khi triển khai hệ thống cảnh

báo sớm RRTD

CÁC LỢI ÍCH NGÂN HÀNG NHẬN ĐƢỢC KHI XÂY DỰNG HỆ

N

Mean

THỐNG CẢNH BÁO SỚM RRTD

(Mẫu)

(Điểm TB)

(Min 1 - Max 5)

CauIII.19.a

Đảm bảo an toàn vốn trước rủi ro

392

3.70

CauIII.19.b

Tăng lợi nhuận

392

3.5

CauIII.19.c

Hệ thống xếp hạng và định giá hiệu quả hơn

392

3.75

CauIII.19.d

Nâng cao danh tiếng, qua đó tăng sức cạnh tranh

392

3.44

CauIII.19.e

Hội nhập theo tiêu chuẩn quốc tế

392

3.72

Nguồn: Kết quả khảo sát của tác giả

111

Nhận định về “hệ thống xếp hạng và định giá có hiệu quả hơn” được đánh giá

cao nhất, có mức điểm trung bình là 3.75 và nhận định về “nâng cao danh tiếng, qua đó

tăng sức cạnh tranh” thấp nhất là 3.44. Điều này cho thấy các cán bộ ngân hàng có

nhận thấy hiệu quả của hệ thống cảnh báo sớm trong việc xếp hạng, định giá khoản vay

cũng như ý nghĩa của cảnh báo sớm RRTD đối với việc đảm bảo an toàn vốn và hội

nhập theo chuẩn quốc tế. Tuy nhiên chưa có đánh giá chính thức về tác động của hệ

thống tới việc tăng lợi nhuận và nâng cao danh tiếng của ngân hàng.

Đánh giá các điều kiện bất lợi khi triển khai hệ thống cảnh báo sớm RRTD:

Bảng 2.15: Điểm trung bình các điều kiện bất lợi khi triển khai hệ thống cảnh

báo sớm RRTD

N (Mẫu)

Mean (Điểm TB)

CÁC ĐIỀU KIỆN BẤT LỢI KHI TRIỂN KHAI HỆ THỐNG CẢNH BÁO SỚM RRTD (Min 1 - Max 5)

CauIII.13.a CauIII.13.b

392 392

3.46 3.73

CauIII.13.c

392

3.44

CauIII.13.d

392

3.58

CauIII.13.e

392

3.47

CauIII.13.f

Chi phí đầu tư ban đầu và chi phí vận hành cao. Thiếu dữ liệu lịch sử cho các phương pháp đo lường rủi ro. Thiếu các tổ chức xếp hạng tín dụng chuyên nghiệp để tham chiếu kết quả. Thiếu nhân sự am hiểu để xây dựng và vận hành Basel II. Thiếu nguồn vốn kinh doanh do các tỷ lệ trích lập dự phòng cao. Giảm sức cạnh tranh Giảm lợi nhuận.

392

3.72 Nguồn: Kết quả khảo sát của tác giả

Khi đánh giá về những bất lợi khi thực hiện theo hệ thống cảnh báo sớm RRTD

thì các cán bộ quản trị RRTD của NHTM cho rằng điều bất lợi lớn nhất khi tiến hành là

“thiếu dữ liệu lịch sử cho các phương pháp đo lường” với mức điểm trung bình đạt

3.73 điểm. Còn những điều kiện bất lợi khác như: thiếu nguồn vốn kinh doanh hay

thiếu nhân sự… được đánh giá ở mức trung bình xấp xỉ 3.50 điểm, điều này chứng tỏ

các NHTM cần kh c phục cơ sở dữ liệu và cơ sở hạ tầng để áp dụng hệ thống cảnh báo

sớm RRTD theo hướng hiện đại hơn. Tóm lại, cán bộ NHTM nhận định lợi ích mà

ngân hàng đạt được nhiều hơn những bất lợi khi thực hiện theo cảnh báo sớm RRTD.

2.3 Đánh giá chung về hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân

hàng thƣơng mại Việt Nam

2.3.1. Kết quả đạt đƣợc

Thứ nhất, phần lớn các NHTM Việt Nam đề đã nhận thức được tầm quan trọng

112

của công tác lượng hoá RRTD và cảnh báo sớm RRTD. Các NHTM có nguồn vốn lớn,

qui mô hoạt động rộng lớn đều đã và đang triển khai áp dụng hệ thống cảnh báo sớm

RRTD. Điều này cho thấy chất lượng công tác quản trị RRTD nói chung và cảnh báo

sớm RRTD đã được quan tâm và ngày một nâng cao.

Thứ hai, các NHTM hiện nay cũng đã cố nhiều cố g ng trong ứng dụng công

nghệ ngay từ giai đoạn thu thập thông tin KH bằng cách đa dạng hóa thông tin KH

từ nhiều nguồn khác nhau cả nguồn thông tin truyền thống và hiện đại, tối ưu hóa

hệ thống tính điểm hành vi, để việc thẩm định hồ sơ vay và quản trị RRTD được

thực hiện một cách tự động xuyên suốt. Các NH đã tận dụng được cả 2 nguồn

thông tin truyền thống và hiện đại để thu thập thông tin về KH, với các phương

thức và mức độ khác nhau.

Nguồn thông tin truyền thống là thông tin KH cung cấp trong hồ sơ vay vốn,

thông tin lưu trữ tại chính ngân hàng nếu KH đã có giao dịch trước đó, thông tin cán bộ

tín dụng tự tìm hiểu thông qua phỏng vấn KH, điều tra thực tế và các nguồn thông tin

bên ngoài khác như thông qua cá nhân, tổ chức có liên quan đến người vay, hay thông

tin tại trung tâm thông tin tín dụng CIC.

Hiện nay, đầu mối tổ chức hệ thống thông tin tín dụng là Trung tâm Thông tin

tín dụng Quốc gia Việt Nam (CIC), chuyên thu thập, xử lý, lưu trữ và cung cấp thông

tin tín dụng cho NHNN, TCTD và các tổ chức, cá nhân khác theo quy định của pháp

luật. Năm 2017, CIC đã cung cấp cho các TCTD, CTTC khoảng 18 triệu bản báo cáo

thông tin tín dụng các loại, tăng trưởng trên 30% so với năm 2016, trong đó thông tin

KHCN chiếm khoảng 70%. Tuy nhiên, nguồn thông tin này vẫn chưa hỗ trợ hết nhu

cầu của thị trường.

Nguồn thông tin hiện đại như: thông tin từ dữ liệu di động, thông tin từ mạng xã

hội và các thông tin về hành vi KH được xử lý qua cơ sở dữ liệu lớn Big data cũng đã

được nghiên cứu và áp dụng taị một số NHTM

Thứ ba, một số NHTM đã xây dựng bộ chỉ tiêu cảnh báo sớm khá công phu, đầy

đủ và được đánh giá là có mức độ phù hợp nhất định với từng đối tượng và phân khúc

KH mục tiêu của ngân hàng mình. Đồng thời bộ phận giám sát- quản lý tín dụng cũng

đã có nhiều cố g ng trong việc xây dựng, ban hành các văn bản qui định và hướng dẫn

113

thực hiện cảnh báo sớm RRTD. Đây có thể nói là những nỗ lực của các NHTM Việt

Nam nhằm nâng cao hiệu quả hoạt động quản trị RRTD, đến gần hơn với các thông lệ

và khuyến nghị về an toàn trong hoạt động cấp tín dụng của Basel II.

Thứ tư, một số NHTM xây dựng được qui trình cảnh báo sớm chi tiết cho từng

đối tượng KH, trong đó qui định chức năng nhiệm vụ cụ thể của từng đơn vị, thời hạn

hoàn thành từng khâu trong qui trình. Có chế tài kiểm tra, kiểm soát mức độ tuân thủ.

Vấn đề phối hợp giữa các bộ phận có liên quan tương đối tốt, thể hiện qui trình đưa ra

tương đối hợp lý và khoa học.

2.3.2. Những hạn chế và nguyên nhân của hạn chế

Thứ nhất, phương pháp cảnh báo sớm RRTD của các NHTM Việt Nam chủ yếu

là định tính nhiều hơn định lượng. Có thể kể đến các nguyên nhân sau:

- Do hạn chế trong các cơ sở dữ liệu, việc lượng hóa RRTD đòi hỏi các NHTM

phải có các cơ sở dữ liệu đầu vào lớn và chính xác. Tuy nhiên, trong bối cảnh ở Việt

Nam, các dữ liệu này không dễ dàng thu thập hoặc xây dựng được. Chúng ta chưa có

một tổ chức chuyên nghiệp nào lưu giữ và khai thác các các nguồn dữ liệu quá khứ của

doanh nghiệp. Việc lưu giữ thông tin về KH trong hệ thống dữ liệu nội bộ của các

NHTM thông qua các hệ thống xếp hạng tín dụng nội bộ cũng mới chỉ được một số

NHTM thực hiện trong một số năm gần đây và bản thân các NHTM cũng đang gặp

phải nhiều khó khăn trong việc thu thập và phân loại thông tin chính xác cũng như tạo

thông tin đầu ra có giá trị. Cụ thể, để ứng dụng mô hình KMV, cần có các thông tin về

giá cổ phiếu cũng như mức độ biến động giá cổ phiếu của doanh nghiệp, trong khi ở

Việt Nam, số lượng doanh nghiệp được niêm yết không nhiều, và mức độ biến động

giá cổ phiếu cũng bị ảnh hưởng nhiều bởi các yếu tố đầu cơ trên thị trường, chứ không

hoàn toàn phản ánh chính xác thực trạng cũng như triển vọng kinh doanh của doanh

nghiệp. Còn với mô hình Credit Metric, thông tin về xếp hạng tín dụng và xác xuất

thay đổi hạng tín dụng được coi là dữ liệu đầu vào cốt lõi, nhưng cũng không nhiều các

doanh nghiệp Việt nam được xếp hạng bởi các công ty xếp hạng tín dụng có tên tuổi.

Độ tin cậy của cơ sở dữ liệu đầu vào ở Việt Nam vẫn thấp do cơ sở hạ tầng

nguồn dữ liệu quốc gia còn phân tán, môi trường lập báo cáo tài chínhchưa hoàn thiện,

dẫn đến thiếu minh bạch thông tin. Điều này tạo ra một thách thức lớn trong xử lý dữ

114

liệu khi áp dụng vào bất cứ mô hình quản lý rủi ro nào tại Việt Nam.

Do đó có thể nói, hạn chế trong cơ sở dữ liệu để chạy mô hình được xem như rào

cản lớn nhất hạn chế khả năng áp dụng các mô hình lượng hóa và cảnh báo sớm RRTD

tại các NHTM.

- Hạ tầng công nghệ thông tin của các NHTM không đồng đều, khó khăn này đã

cản trở việc xây dựng và ứng dụng các mô hình lượng hóa RRTD. Chia sẻ của một nhà

lãnh đạo ngân hàng cho biết riêng chi phí đầu tư cho hệ thống công nghệ này đã lên

đến hàng chục triệu USD. Đây là rào cản lớn mà không phải NHTM nào ở Việt Nam

cũng có thể vượt qua được;

- Hạn chế trong nguồn nhân lực, việc lượng hóa RRTD đều được phát triển trên

các nền tảng lý thuyết khá phức tạp và là những kiến thức mới đối với ngành kinh doanh

ngân hàng tại Việt Nam. Trong khi đó tại các NHTM nói riêng cũng như trên thị trường

nhân lực nói chung còn rất thiếu những nhân viên am hiểu các kiến thức về quản trị

RRTD và có khả năng xây dựng và sử dụng các mô hình lượng hóa.

Thứ hai, chức năng làm cảnh báo sớm theo đúng bản chất của nó thì các NHTM

Việt Nam hầu như đều chưa làm được. Hệ thống cảnh báo sớm RRTD thường chỉ đưa

ra danh sách KH cảnh báo sau khi KH đã nhảy nhóm nợ (chậm trả gốc lãi , mà chưa

phát hiện ra được các dấu hiệu cảnh báo sớm RRTD để có biện pháp phòng ngừa (ví dụ

như vấn đề nhân sự của KH thay đổi quá nhiều hoặc một ngành nào đó tăng trưởng quá

nóng mà không có cảnh báo).

Nguyên nhân do:

- Công tác giám sát sau cho vay còn nới lỏng, Các NHTM không thực hiện

nghiêm túc công tác theo dõi, chấm điểm tín dụng, định hạng KH định kỳ. Có nhiều ngân

hàng không có hướng dẫn cụ thể về các dấu hiệu cảnh báo sớm RRTD, có nhiều ngân

hàng thì có hướng dẫn cụ thể nhưng vấn đề thực thi thì lại yếu kém, hầu hết các chỉ tiêu

là định tính nên khó đo lường, khó thực hiện khâu giám sát thực hiện.

- Do ý thực thực hiện chưa tốt, Bản thân các ĐVKD của NHTM không muốn

minh bạch về tình trạng nợ của KH. Vì nếu hạ tín nhiệm KH, ảnh hưởng đến xác suất

vỡ nợ KH, ảnh hưởng đến đánh hiệu quả kinh doanh của chi nhánh, ảnh hưởng đến

quyền lợi và lợi ích kinh tế tức thời của ngân hàng như bị phê bình, bị c t giảm hạn

mức chi nhánh, vi phạm những qui định về vốn tối thiểu theo Basel II… Như vậy, rõ

115

ràng một trong những nguyên nhân khiến hệ thống cảnh báo sớm RRTD của các

NHTM Việt Nam chưa hiệu quả là do vấn đề thực thi tại các ĐVKD, do ý chí của các

bộ phận thực thi không muốn làm, hoặc làm không hết trách nhiệm.

Thứ ba, hầu hết các hệ thống cảnh báo sớm RRTD của các NHTM Việt Nam đều

dựa trên các tư vấn của chuyên gia nước ngoài. Thực tế thì chuyên gia nước ngoài họ

có kinh nghiệm và kiến thức sâu s c về quản trị RRTD và định lượng RRTD hoặc mô

hình thống kê về RRTD (yếu tố mà nhân lực Việt Nam còn yếu), tuy nhiên họ chỉ cung

cấp cho chúng ta công cụ, mà không chuyển giao công thức, bí quyết. Chính vì vậy nên

sau khi chuyển giao, cán bộ thực thi ở các NHTM Việt Nam chưa am hiểu và làm chủ

được mô hình, nên không những việc sử dụng mô hình gặp nhiều khó khăn, mà các

NHTM cũng khó có căn cứ để đánh giá tính chính xác của các kết quả do mô hình tạo

ra. Việc này cũng là một rào cản lớn khiến vấn đề lượng hóa RRTD theo phương pháp

thống kê vẫn chỉ là một trong nhiều kế hoạch trong tương lai của NHTM.

Thứ tư, bộ chỉ tiêu cảnh báo sớm của các NHTM hầu như không khác nhau

nhiều, chứng tỏ các NHTM chưa xác định rõ phân khúc KH mục tiêu và khẩu vị rủi ro

của ngân hàng mình so với các NHTM khác. Phần lớn các ngân hàng thiếu các chỉ tiêu

cảnh báo sớm RRTD thuộc nhóm các yếu tố vĩ mô như yếu tố chính trị, pháp luật, kinh

tế, xã hội, công nghệ….

Mặc dù một số ngân hàng đã có nỗ lực nghiên cứu hành vi của các nhóm KH vay

vốn khác nhau để xây dựng hệ thống chỉ tiêu cảnh báo sớm RRTD riêng nhưng mới chỉ

dừng lại ở hai nhóm chính là KHCN và KHDN. Chưa xây dựng được hệ thống chỉ tiêu

cảnh báo sớm RRTD cho các KH đặc thù như KH Start Up, hoặc KH kinh doanh trong

những ngành hoặc những lĩnh vực chuyên biệt. Hơn nữa, chưa có ngân hàng nào có hệ

thống cảnh báo sớm RRTD đối với nhóm KH liên quan.

Thứ năm, đối với các NHTM đã thực hiện xây dựng xong hệ thống cảnh báo

sớm thì vấn đề cập nhật thông tin thường xuyên lại đang bị bỏ ngỏ. Ví dụ, VCB là ngân

hàng có bộ phận phân tích ngành phục vụ cho công tác chấm điểm tín dụng và định

hạng KH. Trong đó VCB chia các ngành kinh tế của Việt Nam thành 52 ngành, tuy

nhiên việc cập nhật thông tin phân tích ngành lại không được thực hiện để làm cho cơ

sở chấm điểm tín dụng và cảnh báo sớm RRTD đối với KH vay vốn. Điều này làm

giảm đáng kể hiệu quả của cảnh báo sớm RRTD.

116

Kết luận chƣơng 2

Trên cơ sở những vấn đề cơ bản về hệ thống cảnh báo sớm RRTD đã đề cập ở

chương 1, NCS đã đánh giá thực trạng hệ thống cảnh báo sớm RRTD tại các NHTM

Việt Nam giai đoạn 2008-2019. Để đánh giá đúng thực trạng hệ thống này, NCS đã kết

hợp kết quả khảo sát bằng bảng hỏi, phỏng vấn chuyên gia và thu thập dữ liệu thứ cấp

giai đoạn 2016-2019 tại các NHTM Việt Nam về các vấn đề: cấu trúc hệ thống cảnh

báo sớm, điều kiện xây dựng và triển khai hệ thống cảnh báo sớm RRTD, thực trang

triển khai hệ thống cảnh báo sớm RRTD. Từ đó đánh giá các kết quả đạt được, các hạn

chế và nguyên nhân các hạn chế. Kết quả đánh giá chương 2 là cơ sở để NCS thực hiện

nghiên cứu định lượng ở chương 3 và đề xuất các giải pháp trong chương 4 với mục

tiêu gợi ý cho các nhà quản trị RRTD tại các NHTM Việt Nam hoàn thiện hệ thống

cảnh báo sớm RRTD tại ngân hàng của mình.

117

CHƢƠNG 3

ỨNG DỤNG MÔ HÌNH ĐỊNH LƢỢNG VÀO HỆ THỐNG CẢNH BÁO SỚM

RỦI RO TÍN DỤNG TẠI CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM

3.1 Ứng dụng mô hình định lƣợng vào hệ thống cảnh báo sớm rủi ro tín dụng

với khách hàng cá nhân tại các Ngân hàng thƣơng mại Việt Nam

3.1.1 Phương pháp luận mô hình

3.1.1.1 Mô hình và giả thuyết nghiên cứu

Nói chung, tín dụng tiêu dùng là nghiệp vụ cho vay đối với KHCN để chi trả

cho các mục đích tiêu dùng, không được sử dụng cho bất kỳ mục đích thương mại nào.

Nhu cầu tín dụng tiêu dùng ngày một tăng trong những năm gần đây, nhưng đồng thời,

lãi suất cho vay đã tăng lên và theo quan điểm của các ngân hàng, rủi ro của các khoản

vay này thường cao hơn các khoản vay thương mại. Do đó, một phương pháp tương đối

phổ biến được các NHTM dùng để hạn chế rủi ro trong cho vay tiêu dùng là sử dụng

phân tích phân biệt để đánh giá, phân loại KH và đưa ra quyết định cấp tín dụng

(Abdou & Pointon, 2011 . Nghiên cứu của Hand & Henley, 1997 và Desai, 1996, cũng

khẳng định rằng: một nỗ lực để định lượng RRTD của KH đã được các NHTM thực

hiện thông qua phân tích phân biệt.

Mục tiêu quan trọng của nghiên cứu là xác định KH vay tiêu dùng mất khả năng

thanh toán bằng cách sử dụng các đặc điểm nhân khẩu học và kinh tế xã hội và phân

tích phân biệt hai nhóm KH tốt và xấu. Để đạt được mục tiêu tổng thể này, các mục

tiêu cụ thể s được đặt ra như sau: i Phát triển chức năng phân biệt hoặc kết hợp tuyến

tính của yếu tố dự đoán hoặc các biến độc lập, s phân biệt tốt nhất giữa các loại tiêu

chí hoặc biến phụ thuộc. ii Sử dụng các giá trị của các biến dự đoán để phân loại KH

vay tiêu dùng thành hai nhóm khác nhau. iii Đánh giá tính chính xác của phân loại.

Với mục tiêu trên thì việc sử dụng mô hình phân biệt là hoàn toàn phù hợp và đáp ứng

được mục tiêu nghiên cứu do đó, trong nghiên cứu này, tác giả s sử dụng phân tích

phân biệt để phát triển các mô hình dự đoán cho phép phân biệt giữa những người vay

tốt và những người xấu.

Dữ liệu được thu thập từ 10 NHTM Việt Nam hoạt động trên địa bàn Hà Nội

trong khoảng thời gian 3 năm, từ 2015-2018. Theo các nghiên cứu của Kim & Sohn

2004 ; Lee và cộng sự 2002 và Banasik 2001 hai trạng thái có thể được xác định

118

bởi một số yếu tố đồng thời ảnh hưởng đến khả năng thanh toán và khả năng chi trả của

người vay.

Kế thừa kết quả của các mô hình phân biệt trong các nghiên cứu được công bố

trước đây, kết hợp với mức độ đầy đủ và sẵn có của dữ liệu về KHCN vay tiêu dùng tại

các NHTM Việt Nam mà nghiên cứu sinh thu thập được thì trong nghiên cứu này,

thông tin liên quan đến tuổi, tiền lương, số năm ở nghề nghiệp hiện tại, số tiền cho vay

và số lượng người phụ thuộc s được sử dụng để tính điểm phân biệt Z cho một KH cụ

thể như sau:

Zi = β0 + β1*X1 + β2*X2 + β3*X3 + β4*X4 + β5*X5 + ε.

Z là điểm số phân biệt tối đa để phân loại hai nhóm KH

β0: Hằng số

β1-5: hệ số chặn của các biến độc lập

X1: Tuổi

X2: Số người phụ thuộc

X3: Số năm kinh nghiệm của công việc hiện tại

X4: Lương

X5: Giá trị khoản vay

ε: Sai số ngẫu nhiên

Như có thể thấy từ mô hình, có hai loại biến được sử dụng trong mô hình này,

đó là các biến phụ thuộc và biến độc lập. Biến phụ thuộc duy nhất là trạng thái của

người vay đó là biến phân loại. Nếu vị trí của người vay là không có khả năng trả nợ thì

anh ta được ký hiệu là 0 và nếu vị trí của người vay là có khả năng trả nợ thì anh ta

được ký hiệu là 1. Ngược lại, có hai loại biến dự đoán được sử dụng trong nghiên cứu

này. Đặc biệt, một số biến có liên quan đến khoản vay và những biến khác có liên quan

đến điều kiện nhân khẩu học và kinh tế xã hội của người vay. Các biến liên quan đến

điều kiện nhân khẩu học và kinh tế xã hội của người vay là: tuổi, số người phụ thuộc,

số năm kinh nghiệm của công việc hiện tại, lương thu nhập của người vay . Biến độc

lập liên quan đến khoản vay là số tiền cho vay cho biết số tiền mà người vay đã vay.

Nghiên cứu dựa trên những giả thuyết nghiên cứu như sau:

H1: Tuổi trung bình của KH ở nhóm khả năng thanh toán tốt cao hơn nhóm có

khả năng thanh toán xấu.

Nói cách khác là khả năng vỡ nợ cao hơn ở những người trẻ tuổi hơn

H2: Thu nhập của KHCN càng cao thì khả năng trả nợ càng tốt

119

Thu nhập của KHCN được xác định là số tiền kiếm được của KHCN hàng

tháng, NHTM thường xác định thu nhập của KHCN vay tiêu dùng qua bảng kê lương

hàng tháng của KH

H3: Số năm làm công việc hiện tại càng lâu thì khả năng trả nợ của KHCN

càng tốt

Số năm làm công việc hiện tại thể hiện kinh nghiệm của KH và tác động với

mức lương của KH vay vốn. Một số nghiên cứu trước đây cho kết quả rằng, số năm

làm công việc hiện tại là một nhân tố tác động cùng chiều với khả năng trả nợ của

KHCN

H4: Số người phụ thuộc càng lớn thì khả năng trả nợ của KHCN càng thấp

Người phụ thuộc là những người gây ra chi phí và giảm nguồn trả nợ của các

KHCN vay vốn tại ngân hàng nên được kỳ vọng là tác động ngược chiều với khả năng

trả nợ của KHCN

H5: Giá trị khoản vay càng lớn thì khả năng trả nợ của KHCN càng thấp

Giá trị khoản vay càng lớn thì áp lực trả nợ càng cao và ảnh hưởng ngược chiều

đến khả năng trả nợ của KHCN

Bảng 3.1: Biến sử dụng trong mô hình

STT

Ký hiệu

Nghiên cứu trước

Biến

Tuổi

Tác động kỳ vọng +

Lương

Số năm làm công việc hiện tại Số người phụ thuộc

Awh & Waters (1974), Hand & Henley (1997) Awh & Waters (1974), Hand & Henley (1997) Wiginton (1980), Hand & Henley (1997) Abdou & Pointon, 2011

Giá trị khoản vay

Kim & Sohn (2004)

Nguồn: Tổng hợp của tác giả

3.1.1.2 Thu thập dữ liệu

Dữ liệu được sử dụng trong nghiên cứu này được cung cấp từ kho dữ liệu về

KHCN vay vốn tại cácNHTM tại Việt Nam. Trước tiên, tác giả gửi bảng thông tin cần

thu thập về người vay đến giám đốc các NHTMViệt Nam. Nghiên cứu sinh đã thu thập

được dữ liệu của hơn 598KH tín dụng tiêu dùng từ 10 NHTM phụ lục 05 . Tuy nhiên,

sau khi xem xét cơ sở dữ liệu, tác giả nhận thấy rằng đối với một số KH, thông tin quan

trọng đã bị bỏ qua; do đó, chỉ có thông tin của 500 người vay được sử dụng.

120

Trong nghiên cứu của Ghauri & Grn haug, 2006, các tác giả nhận định rằng:

“Rõ ràng là bằng cách sử dụng nguồn dữ liệu đã có sẵn trong các NHTM, chúng ta

có thể tiết kiệm thời gian và tiền bạc”. Hơn nữa, Stewart và Kamins 1993 chỉ ra

rằng khi so sánh giữa dữ liệu thứ cấp và dữ liệu tự nhà nghiên cứu thu thập, chất

lượng của dữ liệu thứ cấp được cung cấp bởi các TCTD tốt hơn nhiều. Thực tế thì,

dữ liệu thứ cấp cũng đã được sử dụng trong nhiều nghiên cứu về chấm điểm tín

dụng và cảnh báo sớm RRTD được thực hiện bởi các nhà nghiên cứu không chỉ ở

Việt Nam Duong, Tran & Ho, 2015 mà còn ở các quốc gia khác như Wiginton

1980 ; Bartolozzi, Garc a-Ergu n, Deocon, Vasquez & Plaza 2008 và Horkkö

2010 . Do đó, dữ liệu thứ cấp được thu thập từ các NHTM tại Việt Nam đã được

tác giả đưa vào sử dụng trong nghiên cứu này.

Bên cạnh đó, liên quan đến kích thước mẫu, người ta nói rằng kích thước

mẫu càng lớn thì độ chính xác của mô hình tính điểm càng cao. Tuy nhiên, cũng

cần lưu ý rằng: “kích thước mẫu của nhóm nhỏ nhất thường ít nhất là 20 quan sát

là đủ để đảm bảo độ bền của bất kỳ thử nghiệm suy luận nào có thể được thực

hiện” Hintze, 1998 . Do đó, trong trường hợp mô hình này có số lượng biến độc

lập là 5 biến, nên có ít nhất 100 trường hợp trong nhóm nhỏ nhất để tạo ra hàm

phân biệt đúng.

Theo Ngân hàng Thế giới, tỷ lệ nợ xấu trong tổng dư nợ ở Việt Nam là khoảng

2,94% hay nói cách khác, số lượng người vay không mất khả năng thanh toán tương

đối cao hơn so với các KH mất khả năng thanh toán. Do đó số lượng người vay tốt và

xấu lấy từ các ngân hàng trong nghiên cứu này là không giống nhau. Giống như cách

mà các nhà nghiên cứu khác như Lee 2002 và Desai 1996 đã làm, nghiên cứu này

cũng chọn tỷ lệ người vay tốt cao hơn so với người xấu. Cụ thể, trong trường hợp dữ

liệu của 500 KH s được sử dụng trong nghiên cứu này, số người vay tốt s là 350

trong khi nhóm còn lại s là 150. Ngoài ra, thông tin về 500 KH sau đó s được chia

ngẫu nhiên thành hai nhóm khác nhau có tên là mẫu phân tích và mẫu giữ lại. Trước

hết dữ liệu về 400 KH s được sử dụng để xây dựng hàm phân biệt, sau đó dữ liệu 100

KH còn lại s được sử dụng để kiểm tra tính hợp lệ của mô hình.

Vì dữ liệu được sử dụng trong nghiên cứu này là dữ liệu số, trong đó giá trị có

thể được đo bằng số Saunders, 2007 , phương pháp định lượng đã được áp dụng. Cụ

thể, phương pháp định lượng đã được sử dụng để đo lường sự khác biệt về ý nghĩa của

121

các biến độc lập giữa hai nhóm. Hơn nữa, phân tích định lượng cũng được sử dụng để

tìm ra các mối quan hệ giữa các biến độc lập.

Trước khi tiến hành phân tích phân biệt, điều quan trọng là phải mô tả các đặc

điểm của tất cả các biến được sử dụng trong nghiên cứu và kiểm tra các giả định để

đảm bảo rằng các kết quả nghiên cứu là chính xác. Trong nghiên cứu này, dữ liệu được

xử lý bởi SPSS 21.

Thứ nhất, vì dữ liệu trong nghiên cứu này là các biến liên tục, tác giả sử dụng

các thống kê mô tả cơ bản như: giá trị trung bình, giá trị tối đa, giá trị tối thiểu, độ lệch

chuẩn của các yếu tố dự đoán trong mỗi nhóm để khám phá dữ liệu. Ngoài ra, kiểm

định T của các biến độc lập trên SPSS cũng được sử dụng để so sánh điểm trung bình

trên các yếu tố dự đoán giữa nhóm không mất khả năng thanh toán và nhóm mất khả

năng thanh toán Pallant, 2013 .

Thứ hai, yêu cầu dữ liệu được sử dụng trong phân tích phân biệt phải độc lập và

tuân theo phân phối chuẩn Khemakhem và Boujelbene, 2015 ; do đó, giống như các

nghiên cứu khác, nghiên cứu này cũng tiếp cận tính quy phạm của phân phối dữ liệu

bằng cách sử dụng kiểm định Kolomogorov- Smirnov trên SPSS.

Thứ ba, không chỉ phân phối thường, mà cả ngoại lệ và đa cộng tuyến cũng đã

được kiểm tra để đảm bảo kết quả của các xét nghiệm tiếp theo là chính xác Field,

2009; Pallant, 2013 . Rõ ràng là sự hiện diện của một ngoại lệ, được định nghĩa là các

trường hợp có giá trị khá cao hoặc thấp hơn so với phần lớn các trường hợp khác

Pallant, 2013 , có thể khiến các nhà nghiên cứu bỏ lỡ thông tin quan trọng và nhận

được kết quả khó hiểu; do đó, điều cần thiết là phải nhận ra ngoại lệ Dielman, 2001 .

Có một số quan sát được đưa ra ở quy t c ghi nhãn ngoại lệ, sau đó s được loại bỏ.

Ngoài ra, sự tồn tại của đa biến hoặc các biến giải thích có mối tương quan có thể dẫn

đến ước tính các giá trị tham số là không đáng tin cậy và rất khó để các nhà nghiên cứu

tìm ra ý nghĩa của từng biến độc lập vào tổng thể R2 Gujarati, 1999 . Do đó, nghiên

cứu này đã sử dụng các kết quả thu được từ ma trận tương quan, nó không chỉ thể hiện

mối tương quan giữa biến phụ thuộc và yếu tố dự đoán mà còn giữa các biến độc lập để

kiểm tra độ đa hình. Đặc biệt, hệ số tương quan Pearson cũng s được sử dụng. Giá trị

tuyệt đối cao nhất của hệ số tương quan giữa mỗi biến độc lập phải nhỏ hơn 0,7 để đảm

bảo rằng tính đa hình không xảy ra trong nghiên cứu này.

122

Sau khi kiểm tra và sửa các vấn đề liên quan đến dữ liệu, bước tiếp theo là áp

dụng phân tích phân biệt cho mẫu phân tích. Tuy nhiên, điều đáng chú ý là có hai

phương pháp phổ biến để phân tích phân biệt, đó là phương pháp trực tiếp và phân tích

phân biệt từng bước. Trong nghiên cứu này, dựa trên mô hình nghiên cứu và lý thuyết

trước đó, phương pháp trực tiếp s được sử dụng.

3.1.2 Kết qủa mô hình

3.1.2.1 Thống kê mô tả

Bảng 3.2: Thống kê mô tả

N (số

Năng lực

Mean (Giá trị

Std. Deviation

Biến

Kí hiệu

Std. Error Mean

trả nợ

trung bình)

(Độ lệch chuẩn)

quan sát)

Xấu

120

30.719

3.9987

.3161

Tuổi

Tốt

280

36.772

5.5364

.2922

Lƣơng

Xấu Tốt

120 280

13.0419 14.0351

4.19951 4.92672

.33200 .26410

Số năm làm

Xấu

120

5.38

2.454

.194

Tốt

280

10.26

3.679

.194

công việc hiện tại

Xấu

120

2.03

.812

.064

Số ngƣời phụ

Tốt

280

1.53

.854

.045

thuộc

Xấu Tốt

120 280

398677156.250 469608695.652

165445876.1431 261697678.4845

13079644.9524 14089329.3907

Giá trị khoản vay

Nguồn: Tính toán của tác giả

Như có thể thấy từ bảng trên, giá trị trung bình và độ lệch chuẩn được tính cho

từng biến của nhóm mất khả năng thanh toán và nhóm có khả năng thanh toán, từ đó

xem xét liệu các biến có thể phân biệt giữa KH tốt và KH xấu hay không. Đúng là,

ngoại trừ biến tiền lương, sự khác biệt rõ ràng được nhìn thấy qua nhóm các biến: số

tuổi, năm ở công việc hiện tại, số lượng người phụ thuộc và số tiền cho vay. Đặc biệt,

độ tuổi trung bình của những người vay tốt, khoảng 36 tuổi, tương đối cao hơn so với

tuổi trung bình đối với những người xấu chỉ hơn 30 tuổi một chút. Kết quả này ủng hộ

kết luận của Peter 2006 , người nói rằng xác suất vỡ nợ cao hơn với người vay trẻ hơn.

Mô hình tương tự cũng được thể hiện ở số lượng người phụ thuộc. Điều này có thể

được giải thích bởi thực tế là người vay phải hỗ trợ tài chính cho càng nhiều người phụ

thuộc thì khả năng họ không trả được nợ càng cao hơn. Hơn nữa, có sự khác biệt lớn

trong số năm tại công việc hiện tại giữa những người vay được coi là có tín dụng tốt và

123

không. Bảng trên cho thấy giá trị trung bình của các năm tại công việc hiện tại của

người vay tốt cao gấp đôi đối với người vay không tốt. Ngược lại, sự khác biệt về tiền

lương hàng tháng giữa người vay tốt và người xấu là không đáng kể, thu nhập của

những người vỡ nợ chỉ thấp hơn một triệu đồng so với người không vỡ nợ. Quan trọng

hơn, sự khác biệt này có thể góp phần giải thích tại sao số tiền cho vay của người

3.1.2.2 Kiểm định phân phối chuẩn, phân tích ma trận tương quan giữa các biến độc lập

không vỡ nợ là tương đối cao hơn so với người vỡ nợ.

Bảng 3.3: Kiểm định phân phối chuẩn

Kolmogorov-Smirnova

Shapiro-Wilk

Biến

Kí hiệu

Statistic

Df

Statistic

lệ phần trăm tuổi D 396 = 0,095, p = 0,000, nhỏ hơn 0,05; do đó, phân phối này

không phải là phân phối chuẩn Pallant, 2013 . Mô hình tương tự cũng được chứng

kiến ở mức lương, số năm làm việc hiện tại, số lượng người phụ thuộc và số tiền cho

vay. Để kh c phục vấn đề này, theo Field 2009 , chuyển đổi dữ liệu là một trong

những lựa chọn phổ biến. Do đó, trong nghiên cứu này, tất cả các biến đã được chuyển

thành chuyển đổi log, giống như phương pháp được sử dụng bởi Hörkkö 2010 . Quan

trọng hơn, Uddin 2013 đã chứng minh rằng trong phân tích phân biệt vẫn có kết quả

tốt trong trường hợp dữ liệu được sử dụng không là phân phối chuẩn. Do đó, vấn đề

này trong nghiên cứu là không nghiêm trọng.

124

Ngoài ra, bằng cách nhìn vào các đuôi phân phối được trình bày trong biểu đồ,

nghiên cứu này cho thấy có những ngoại lệ tiềm năng bởi vì có một số quan sát được

đưa ra ở quy t c ghi nhãn ngoại lệ. Tuy nhiên, khi xem xét thông tin trong bảng mô tả,

sự khác biệt giữa giá trị trung bình 5% 4.719 và giá trị trung bình 4.7161 là rất nhỏ;

do đó, vấn đề ngoại lệ trong nghiên cứu này không nghiêm trọng và có thể được giải

quyết bằng cách loại bỏ các ngoại lệ.

Theo Pallant 2013 , tính đa hình xảy ra khi giá trị tuyệt đối của hệ số tương

quan giữa mỗi biến độc lập là 0,7 trở lên. Mối tương quan giữa các biến được sử dụng

trong nghiên cứu này bảng dưới đây cho thấy mối tương quan lớn nhất đầu tiên được

liệt kê cho mối quan hệ giữa tuổi và năm tại công việc hiện tại. Mối tương quan giữa

hai biến này là 0,77 cao hơn 0,7; do đó, đa cộng xảy ra và tuổi s bị bỏ qua khỏi hồi

quy.

Bảng 3.4: Mối tƣơng quan

Năm làm

Giá trị

Năng

Số ngƣời

Tuổi

Lƣơng

công việc

khoản

lực trả

phụ thuộc

(X1)

(X2)

hiện tại

vay

nợ (Y)

(X4)

Lƣơng (X2)

Correlation

**. Correlation is significant at the 0.01 level (2-tailed).

*. Correlation is significant at the 0.05 level (2-tailed).

Nguồn: Tính toán của tác giả

125

Hơn nữa, sig. Giá trị 2 đuôi cho các yếu tố dự đoán nằm dưới ngưỡng giới hạn

0,05 Bảng 2.4 ; có sự khác biệt ý nghĩa thống kê về tiền lương, số năm làm công việc

hiện tại, lượng người phụ thuộc và số tiền cho vay giữa người vay tốt và vay không tốt.

Bảng 3.5: Kiểm định đa cộng tuyến

Giá trị khoản vay (X5)

-3.690

457.412

.000

-70931539.402

19224627.818

Equal variances assumed Equal variances not assumed Equal variances assumed Equal variances not assumed Equal variances assumed Equal variances not assumed Equal variances assumed Equal variances not assumed

Nguồn: Tính toán của tác giả

126

3.1.2.3 Kết quả hàm phân biệt

Bảng 3.6: Kiểm định ý nghĩa của nhóm

Wilks' Lambda

F

df1

.205

Log(lƣơng)

Log(số năm làm công việc

.595

331.959

385

.000

hiện tại)

Nguồn: Tính toán của tác giả

Wilks lambdas và khẩu phần F được ước tính để kiểm định sự cân bằng trong ý

nghĩa của nhóm. Giá trị của Wilks lambdas λ thay đổi trong khoảng từ 0 đến 1. Giá trị

λ lớn chỉ ra rằng ý nghĩa nhóm không khác nhau, giá trị của λ nhỏ chỉ ra rằng ý nghĩa

của nhóm là khác nhau hay nói cách khác là lambda của Wilks càng nhỏ thì biến độc

lập càng quan trọng hơn đối với hàm phân biệt. Lambda của Wilks rất có ý nghĩa trong

thử nghiệm F cho tất cả các biến độc lập. Tỷ lệ F càng cao thì biến tương ứng càng có

ý nghĩa trong việc phân biệt các nhóm quan sát. Do đó, dựa trên kết quả được trình bày

trong bảng 5, rõ ràng là người phụ thuộc và năm ở công việc hiện tại có thể phân biệt

tốt nhất giữa hai nhóm người vay.

Function

Eigenvalue

Cumulative % Canonical

Bảng 3.7: Giá trị Eigen % of Variance

Correlation

.980a

100.0

.704

. First 1 canonical discriminant functions were used in the analysis

Nguồn: Tính toán của tác giả

Có hai nhóm người vay được phân loại là khả năng trả nợ tốt và không tốt; do

đó, số hàm là 1. Giá trị riêng là 0,98 và tương quan chính t c, 0,695 là thước đo liên kết

giữa hàm phân biệt và biến phụ thuộc. Ngoài ra, bình phương của hệ số tương quan

chính t c 0,7042 = 0,4956 = 49,56% cho thấy tỷ lệ phần trăm phương sai trong biến

phụ thuộc được giải thích bởi hàm phân biệt ước tính.

Bảng 3.8: Kiểm định Wilk’s Lambda

Test of Function(s)

Wilks' Lambda

Chi-square

Df

Sig.

.505

284.835

.000

Nguồn: Tính toán của tác giả

127

Wilks leo Lambda = 0,505 tương đương với Chi-square = 284,835 với 4 d.f.

có ý nghĩa ở mức 0,000. Điều này có nghĩa là hàm phân biệt được tính toán trong quy

trình này có ý nghĩa thống kê ở mức 0.000.

Bảng 3.9: Ma trận cấu trúc

Function

LogYAPJ

.856

Log số người phụ thuộc

.376

Log giá trị khoản vay

.075

Nguồn: Tính toán của tác giả

Bảng ma trận cấu trúc cho thấy mối tương quan của từng biến với từng hàm

phân biệt. Quan trọng hơn, trong bảng 2.8, các yếu tố dự đoán được s p xếp từ cao nhất

đến thấp nhất. Do đó, số năm kinh nghiệm tại công việc hiện tại trong nghiên cứu này

được coi là biến số quan trọng nhất trong việc xác định tư cách thành viên nhóm theo

sau là số lượng người phụ thuộc và số tiền cho vay. Ngược lại, tiền lương hàng tháng

hay số tiền người vay kiếm được mỗi tháng là biến số ít quan trọng nhất.

Bảng 3.10: Các hệ số hàm phân biệt Canonical Function

1.106

Log giá trị khoản vay

3.028

Log số người phụ thuộc

-2.091

Log tiền lương

5.392

Log số năm làm công việc hiện tại

-12.999

(Constant)

Unstandardized Coefficients

Nguồn: Tính toán của tác giả

Bảng này chứa các hệ số hàm phân biệt không chuẩn. Chúng được sử dụng như

các hệ số b hồi quy không đạt tiêu chuẩn trong hồi quy bội, nghĩa là chúng được sử

dụng để xây dựng phương trình dự đoán thực tế có thể được sử dụng để phân loại các

trường hợp mới. Do đó, mô hình phân biệt được xây dựng như sau:

Zi = -12.999 + 1.106X5 + 3.028X4 – 2.091X3 + 5.392X2

128

Bảng 3.11: Trọng tâm nhóm Centroids

Function

Khả năng trả nợ

Xấu

-1.380

Tốt

.671

Unstandardized canonical discriminant functions evaluated at group means

Nguồn: Tính toán của tác giả

Trọng tâm nhóm là giá trị trung bình của các giá trị Z được tính theo mô hình

ước tính, có thể sử dụng để đánh giá vị trí dự kiến của KH tín dụng tiêu dùng Uddin,

2013 . Như có thể thấy trong bảng 10, trọng tâm của người vay không tốt là -1.380 và

trọng tâm của nhóm thông thường là 0,671. Do đó, nếu giá trị Z ước tính của KH là âm,

thì trạng thái mong đợi của KH này là mất khả năng thanh toán vì giá trị centroid là âm

đối với nhóm vỡ nợ và nếu giá trị ước tính của trường hợp là dương thì vị trí mong đợi

của KH là tốt, vì giá trị trung tâm là dương đối với nhóm có khả năng thanh toán.

Bảng 3.12: Phân loại kết quả a,c

Khả năng trả nợ

Predicted Group Membership

Total

Original

Count Xấu Tốt Ngoại lệ Xấu Tốt Ngoại lệ

Cross-validatedb

Count Xấu Tốt Not good Good

92 51 0 81.3 18.5 .0 92 51 81.3 18.5

21 225 11 18.8 81.5 100.0 21 225 18.8 81.5

113 276 11 100.0 100.0 100.0 113 276 100.0 100.0

a. 81.5% of original grouped cases correctly classified. b. Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived from all cases other than that case. c. 81.5% of cross-validated grouped cases correctly classified.

Nguồn: Tính toán của tác giả

Ma trận phân loại của mẫu ban đầu bảng 2.12 cho thấy 81,5% trường hợp

được mô hình dự đoán chính xác. Vì tại thời điểm ước tính ma trận phân loại của các

trường hợp ban đầu, ma trận phân loại có thể bị sai lệch. Vì vậy, ma trận phân loại xác

129

thực chéo được thực hiện dựa trên hoạt động mà trường hợp dự đoán được đưa ra s

được đưa ra khỏi phân tích và mô hình được ước tính.

Bảng 3.13: Kết qủa phân loại a

Khả năng trả nợ

Predicted Group Membership

Total

Original

Count

Xấu

Tốt Ngoại lệ Xấu Tốt Ngoại lệ

21 20 0 76.7 29.6 .0

7 47 5 23.3 70.4 100.0

28 67 5 100.0 100.0 100.0

a 72.3% of unselected original grouped cases correctly classified.

Mẫu giữ lại được sử dụng để kiểm tra tính hợp lệ của mô hình. Sau khi đặt các

giá trị của mẫu giữ lại vào hàm phân biệt ước tính, các giá trị Z được tính cho các

trường hợp. Bằng cách sử dụng các giá trị Z và centroid, thành viên nhóm được dự

đoán. Bảng 2.12 cho thấy 72,3% các trường hợp được phân loại chính xác.

Nghiên cứu này ước tính phân tích phân biệt hai nhóm để xác định trạng thái dự

kiến của KH tín dụng tiêu dùng của NHTM Việt Nam. Hàm ước tính có ý nghĩa ở mức

1% mức ý nghĩa và có thể dự báo khả năng trả nợ của KH với độ chính xác trung bình

72,3%. Do đó, nghiên cứu đề xuất rằng các biến liên quan đến nhân khẩu học, kinh tế

xã hội và giá trị khoản vay có thể được sử dụng để cảnh báo sớm RRTD của KHCN tại

các NHTM Việt Nam. Chức năng phân biệt được ước tính cho một tổ chức hoặc ngân

hàng không thể được sử dụng cho ngân hàng khác vì các hệ số chức năng phân biệt s

thay đổi dựa trên tập dữ liệu của ngân hàng đó. Do đó, các ngân hàng nên sử dụng cơ

sở dữ liệu riêng để tự xây dựng mô hình phân tích phân biệt trong hệ thống cảnh báo

sớm RRTD của mình. Bằng cách ứng dụng mô hình cảnh báo sớm định lượng như trên

s giúp ngân hàng nâng cao chất lượng quản lý sau cho vay và hoạt động của công tác

QTRRTD cũng được tăng cường.

3.2 Ứng dụng mô hình định lƣợng vào hệ thống cảnh báo sớm rủi ro tín dụng

với khách hàng doanh nghiệp tại các Ngân hàng thƣơng mại Việt Nam

3.2.1 Phương pháp luận mô hình

3.2.1.1 Mô hình và giả thuyết nghiên cứu

130

Mục đích của việc phát triển mô hình cảnh báo sớm RRTD là để nhận diện KH

có rủi ro. Nhưng câu hỏi đặt ra là KH như thế nào là có rủi ro, mức độ rủi ro của KH

được xác định như thế nào?

Trong nghiên cứu về rủi ro tín dụng doanh nghiệp, tác giả Hoàng Tùng 2011

và Nguyễn Trọng Hòa đều cho rằng công ty có rủi ro tín dụng khi xảy ra một trong các

yếu tố: hoặc không có khả năng thực hiện nghĩa vụ tín dụng với các đối tác xác định

bởi chỉ tiêu là công ty có nợ quá hạn hay không Hoàng Tùng, 2011 , còn theo Nguyễn

Trọng Hòa thì xác định bởi tỉ số DOD nợ quá hạn trên tổng dư nợ ngân hàng ; hoặc

vốn lưu động âm; hoặc có giá thị trường của công ty nhỏ hơn tổng nợ...

Trong nghiên cứu này, tác giả lựa chọn khái niệm: “KH có RRTD là KH có nợ

quá hạn, tổ chức cho vay cần trích lập dự phòng cho khoản vay của KH đó”. Khái niệm

này bao gồm cả những KH có nợ quá hạn, cần trích lập dự phòng RRTD nhưng trong

vòng 3 tháng quay lại trạng thái nợ đủ tiêu chuẩn.

Qua tổng quan nghiên cứu cũng cho thấy rằng, mô hình Logit phù hợp với đối

tượng là các KHDN. Do vậy, nghiên cứu sinh chọn mô hình Logit để ứng dụng trong

công tác cảnh báo sớm RRTD đối với KHDN vay vốn tại các NHTMViệt Nam.

Để lựa chọn biến phù hợp với mô hình cảnh báo sớm RRTD tại các NHTM Việt

Nam, trước hết tác giả thực hiện nghiên cứu danh sách các biến đã được sử dụng trong

các nghiên cứu trước đây, điển hình là nghiên cứu của Altman 1968 , Back et al.

(1994), Keasey and Watson (1987), Lussier (1995), Atiya (2001), Tirapat and

Nittayagasetwat (1999) , Pompe and Bilderbeek 2005 . Đồng thời cũng thêm vào một

số biến tài chính và phi tài chính thường được các NHTM Việt Nam yêu cầu khi xem

xét đơn xin vay vốn của KHDN.

Nhóm 1: Các biến thể hiện đặc điểm của khoản vay.

Trong các nghiên cứu trước đây, một số biến đã được đưa vào mô hình như:

• log Tổng cam kết : logarit của Tổng số tiền mà ngân hàng đang dự trữ cho

một KH bao gồm tất cả các loại: cho vay, thấu chi, bảo lãnh .

• log Dư nợ thực thế : logarit của số tiền hiện đang được sử dụng rút ra bởi

một KH (tức là dư nợ thấu chi tài khoản hiện tại, các khoản vay và bảo lãnh, nếu được

sử dụng .

131

• Dự nợ hạn mức: Tỷ lệ dư nợ thực tế so với Tổng cam kết cho thấy số tiền

hiện đang được KH sử dụng tương đối với tổng số tiền mà KH có thể sử dụng. Tỷ lệ

sau đó phải nằm trong khoảng từ 0 không sử dụng tiền và 1 rút toàn bộ , hiếm khi

lớn hơn một trong trường hợp KH đã rút tiền vay và quá hạn thanh toán, do đó phát

sinh phí xử phạt.

• Phân khúc KH: Hầu hết các tổ chức tài chính chia KHDN của mình thành

bốn phân khúc: Doanh nghiệp nhỏ SMB , Tập đoàn trung bình MID , Tập đoàn

lớn LRG và cuối cùng là Công ty bất động sản REE . Các phân đoạn này s tạo ra

biến giả.

Nhóm 2: Biến giải thích hành vi trả nợ KH.

• Tình trạng trả nợ: có thể theo dõi số ngày quá hạn cụ thể của KH hoặc tình

trạng trả nợ của KH là tốt hay không, để taọ biến giả phân loại KH. Một số nghiên cứu

sử dụng biến về tình trạng trả nợ của KH trong 1 tháng hoặc dài hơn là 3 tháng.

• Xếp hạng tín dụng: xếp hạng KH s phân loại được KH từ tốt đến xấu theo các

mức độ khác nhau. Tuy nhiên, đây là thông tin nhạy cảm, thường được bảo mật tại các

NHTM. Nên có thể thay thế biến này trong các nghiên cứu bằng các biến hành vi KH,

miễn là thể hiện sự khác biệt của các xếp hạng tín dụng

Nhóm 3: Biến tài chính.

Biến tài chính là nhóm biến được sử dụng rộng rãi nhất trong các nghiên cứu về

khả năng vỡ nợ của các doanh nghiệp. Bảng sau tóm t t các nghiên cứu có giá trị về

vấn đề này trong quá khứ:

132

Bảng 3.14: Tóm tắt các nghiên cứu trƣớc đó

STT

Nghiên cứu

Tác giả

Năm Phƣơng pháp

Các biến trong nghiên cứu

So sánh, phân

tích hồ sơ và

dòng tiền tổng nợ; thu nhập ròng tổng tài

Tỷ số tài chính để

1966

Beaver

các tỉ số tài

sản; tổng nợ tổng tài sản; vốn lưu động tổng

dự báo thất bại

chính

tài sản; current ratio và no-credit interval

Tỷ số tài chính,

Vốn lưu động tổng tài sản; lợi nhuận giữ

Phân tích

phân tích biệt số

lại tổng tài sản; lợi nhuận trước thuế và lãi

dùng hàm

và dự báo phá sản

Altman

1968

vay tổng tài sản; giá thị trường của vốn chủ

phân biệt

doanh nghiệp Z

sở hữu giá trị sổ sách của tổng nợ; doanh

(MDA)

score)

thu tổng tài sản

Lợi nhuận trước thuế và lãi vay tổng tài

sản; tính ổn định của lợi nhuận; Lợi nhuận

Phân tích

Altman,

Mô hình phân tích

trước thuế và lãi vay tổng lãi vay phải trả;

dùng hàm

Haldeman &

ZETA

1977

Lợi nhuận chưa phân phối tổng tài sản; Hệ

phân biệt

Narayanan

số thanh khoản ng n hạn; Vốn chủ sỡ hữu

(MDA)

tổng nguồn vốn; qui mô.

Phân tích

Dự báo thất bại

Tổng nợ tổng tài sản; Lợi nhuận ròng

dùng hàm

tài chính doanh

Altman, Heine,

2007

tổng tài sản; Vốn lưu động tổng tài sản;

phân biệt

nghiệp ở Trung

Zhang & Yen

Lợi nhuận giữ lại tổng tài sản

(MDA)

Quốc

Lợi nhuận tổng tài sản; Luồng tiền mặt từ

hoạt động kinh doanh trên tổng số cổ phiếu

Dự báo thất bại

quỹ; log tài sản cố định ; tốc độ tăng trưởng

Phân tích

Zhang, Chen,

tài chính doanh

từ hoạt động kinh doanh; lợi nhuận giữ lại

dùng hàm

Yen, Altman &

nghiệp ở Trung

trên lợi nhuận ròng; Giá thị trường của cổ

phân biệt

Heine

Quốc

phiếu niêm yết trên tổng nợ; Giá trị sổ sách

(MDA)

của tổng vốn cổ phần trên giá thị trường của

tổng số cổ phần.

tổng nợ phải trả tổng tài sản; nợ ng n hạn

tài sản ng n hạn; INTWO = 1 nếu lợi nhuận

Tỷ số tài chính và

dự báo xác suất

Ohlson

ròng âm trong 2 năm gần nhất, ngược lại =

Mô hình xác

1980

phá sản

suất Logit)

0 ; log tổng tài sản chỉ số giá ; vốn lưu động

tổng tài sản; thu nhập ròng tổng tài sản;

133

STT

Nghiên cứu

Tác giả

Năm Phƣơng pháp

Các biến trong nghiên cứu

các quỹ dự phòng tổng nợ phải trả; sự thay

đổi của thu nhập ròng; OENEG =1 nếu

tổng nợ lớn hơn tổng tài sản và ngược lại thì

=0)

tổng nợ phải trả tổng tài sản; nợ ng n hạn

Ứng dụng mô

tài sản ng n hạn; INTWO = 1 nếu lợi nhuận

hình Ohlson dự

Mô hình xác

ròng âm trong 2 năm gần nhất, ngược lại =

2010

báo phá sản các

Wang &

suất Logit)

0 ; vốn lưu động tổng tài sản; OENEG =1

công ty Trung

Campbell

nếu tổng nợ lớn hơn tổng tài sản và ngược

Quốc

lại thì =0 .

Tỷ lệ tổng nợ phải trả tổng tài sản lấy theo

Dự báo phá sản

Mô hình phân

hàm log ; Doanh thu tài sản hiện tại lấy

Sori &

2004

các công ty tại thị

biệt

theo hàm căn bậc 2 ; Tỷ lệ tiền mặt nợ

Karbhari

trường Malaysia

ng n hạn tính theo hàm Log .

Tỷ lệ vốn lưu động tổng tài sản; Tỷ lệ lợi

nhuận giữ lại tổng tài sản; Tỷ lệ lợi nhuận

Dự báo thất bại

Puagwatana &

Mô hình xác

trước thuế và lãi vay tổng tài sản; Tỷ lệ thu

kinh doanh tại thị

2005

Gunawardana

suất Logit)

nhập ròng tổng số cổ phần; Tỷ số doanh

trường Thái Lan

thu tổng tài sản.

Doanh thu tổng tài sản; lợi nhuận trước

thuế EBIT ; tỷ lệ dòng tiền được tính bằng

cách lấy lợi nhuận sau thuế cộng với khấu

Dự báo phá sản

Rashid &

2011 MDA

hao trong năm chia khấu hao trong năm

tại Pakistan

Abbas

cộng với những thay đổi trong vốn làm việc

(capital employed).

doanh thu tổng tài sản; tài sản ng n hạn

Phân tích rủi ro

tổng tài sản; nợ phải trả tổng tài sản; nợ

tín dụng doanh

2011 Mô hình Logit

phải trả vốn chủ sở hữu; lợi nhuận doanh

Hoàng Tùng

nghiệp

thu; ROA; ROE .

tiền mặt tổng tài sản; vốn lưu động nợ

Xây dựng mô

Mô hình phân

hình xếp hạng tín

Nguyễn Trọng

ng n hạn; vốn chủ sở hữu tổng tài sản; giá

biệt, mô hình

dụng các doanh

Hòa

vốn hàng bán doanh thu thuần; chi phí

xác suất

nghiệp Việt Nam

quản lí doanh nghiệp doanh thu thuần;

134

STT

Nghiên cứu

Tác giả

Năm Phƣơng pháp

Các biến trong nghiên cứu

trong nền kinh tế

hàng tồn kho doanh thu thuần; các khoản

chuyển đổi

phải thu doanh thu thuần 365; lợi nhuận

sau thuế doanh thu thuần; lợi nhuận sau

thuế vốn chủ sở hữu

Tài sản ng n hạn tổng tài sản; lợi nhuận

Các yếu tố tác

sau thuế vốn chủ sở hữu; tài sản ng n hạn

động đến phá sản

Nguyễn Bảo

doanh thu; lợi nhuận sau thuế doanh thu;

doanh nghiệp trên

Mô hình xác

Khang

2012

doanh thu tổng tài sản; giá vốn hàng bán

địa bàn tỉnh Đồng

suất

doanh thu;

Nai

Nguồn: Tổng hợp của tác giả

Nhóm 4: Biến phi tài chính Các biến phi tài chính gồm các đặc điểm định tính hoặc định lượng của các

công ty ngoài kế toán hoặc môi trường của chúng. Các biến này không thể đưa vào

các mô hình kế toán nhưng cũng đóng một vai trò quan trọng ảnh hưởng đến khả

năng trả nợ của doanh nghiệp. Các biên phi tài chính được đề cập đến các nghiên

cứu trước đây gồm:

• Quy mô của doanh nghiệp. Honjo 2000 sử dụng quy mô của công ty để giải

thích khả năng vỡ nợ, trong đó logarit của tổng tài sản là biến được sử dụng để xác

định qui mô.

• Tuổi doanh nghiệp: Thời gian hoạt động của doanh nghiệp kể từ khi thành lập

đến nay

• Số năm kinh nghiệm của người lãnh đạo: đây là yếu tố thường được ngân hàng

cho vay xem xét và phân tích kĩ vì nó quyết định năng lực quản lý, năng lực kinh doanh

và khả năng trả nợ của doanh nghiệp vay vốn.

• Biến về quản trị doanh nghiệp: Lu, Lee và Chang 2008 sử dụng một số thông

tin về quản trị doanh nghiệp để trở thành các biến độc lập, bằng cách sử dụng dữ liệu

của người đứng đầu về: trạng thái gia đình, mức độ sở hữu của giám đốc và sự tồn tại của

việc kiểm soát cổ đông như các biến dự đoán. Vấn đề mất khả năng thanh toán có xu

hướng nghiêm trọng hơn khi các cổ đông kiểm soát đóng vai trò là giám đốc điều hành

Claessens et al., 2002 . Các công ty có quyền sở hữu thấp hơn bởi các giám đốc có

135

nhiều khả năng phá sản hơn các công ty còn lại. Morck, Shleifer và Vishny 1988 cũng

phát hiện ra rằng các công ty có quyền sở hữu thấp hơn bởi các giám đốc có nhiều khả

năng gặp khó khăn về tài chính. Các công ty niêm yết trên thị trường chứng khoán có ít

khả năng mất thanh toán hơn các công ty khác.

Sau quá trình nghiên cứu tổng quan các công trình có liên quan, tác giả lập ra

được một danh sách các biến độc lập có thể được sử dụng để nghiên cứu khả năng trả

nợ của doanh nghiệp vay vốn tại Việt Nam.

Nghiên cứu sử dụng các biến độc lập và giả thuyết nghiên cứu như sau:

Tính thanh khoản là một yếu tố ảnh hưởng đến nguy cơ phá sản công ty thông

qua biến hệ số thanh khoản ng n hạn Altman, 1977 , Zang, 2007 . Tính thanh khoản

được đại diện bằng Tỷ lệ X1 Khả năng thanh toán ng n hạn = Tài sản ng n hạn Nợ

ng n hạn. Hệ số thanh khoản ng n hạn cho ta biết được mỗi đồng nợ ng n hạn phải trả

của công ty có bao nhiêu đồng tài sản lưu động có thể sử dụng để thanh toán. Nếu hệ số

này quá thấp cho thấy rằng khả năng thanh toán của công ty không tốt. Điều này có thể

dẫn đến khi công ty s gặp khó khăn trong việc tiếp cận các nguồn vốn tín dụng thương

mại, làm ảnh hưởng đến tình hình hoạt động của công ty, và khả năng trả nợ của doanh

nghiệp. Giả thuyết nghiên cứu:

H1: hệ số thanh khoản ng n hạn có tác động ngược chiều với xác suất xảy ra

nguy cơ mất khả năng thanh toán công ty.

Hiệu quả hoạt động là yếu tố rất quan trọng ảnh hưởng trực tiếp đến nguy cơ

phá sản công ty Altman, 1968, 1977 , Zang, 2007 và Hoàng Tùng, 2011 . Yếu tố

này trong đề tài được đại diện bởi bốn biến ROA, ROE, suất sinh lợi căn bản EPS

Basic earning power ratio và Vòng quay tổng tài sản. Trong đề tài này sử dụng biến

X2( ROA)= Lợi nhuận sau thuế Tổng tài sản. X3 ROE = Lợi nhuận sau thuế Vốn chủ

sở hữu. X4 suất sinh lợi căn bản = Lợi nhuận trước thuế và lãi vay EBIT Tổng tài

sản. X5 vòng quay tổng tài sản = Doanh thu thuần Tổng tài sản. X6 Tỷ suất lợi nhuận

trên doanh thu = EBIT Doanh thu thuần.

Các tỷ lệ này đặc biệt thích hợp cho các nghiên cứu liên quan đến vỡ nợ của

doanh nghiệp vì sự tồn tại cuối cùng của doanh nghiệp là dựa trên hiệu quả hoạt động

của doanh nghiệp. Giả thuyết

136

H2: “Hiệu quả hoạt động của công ty đại diện là ROA, ROE, suất sinh lợi căn

bản, vòng quay tổng tài sản và tỷ suất lợi nhuận trên doanh thu đều có ảnh hưởng

ngược chiều với xác suất xảy ra nguy cơ phá sản công ty”.

Biến độc lập đòn bẩy tài chính hay cơ cấu vốn đại diện bởi tỷ số tổng nợ trên

tổng tài sản. Đây cũng là một yếu tố tác động đến nguy cơ vỡ nợ của công ty Beaver,

1966, Sori và Karbhari, 2004, Zang và ctg, 2007 . Đối với tỷ lệ đòn bẩy tài chính,

nghiên cứu này s sử dụng X7=Tổng nợ Tổng tài sản. Tỷ lệ này thể hiện khả năng

doanh nghiệp trả tổng nợ phải trả bằng tổng tài sản và ngụ ý cho cấu trúc vốn, cách

thức công ty quản lý nguồn vốn từ bên ngoài. Giả thuyết

H3: “Tỷ số tổng nợ trên tổng tài sản có ảnh hưởng cùng chiều với xác suất xảy

ra nguy cơ vỡ nợ của doanh nghiệp”.

Yếu tố tăng trưởng là một trong những biến tác động đến nguy cơ phá sản công

ty Altman, 1968, Zang và cộng sự, 2007 . Nghiên cứu chỉ xét đến yếu tố tăng trưởng

bình thường, không xét đến sự tăng trưởng nóng tăng trưởng quá mức hay tăng

trưởng bền vững dựa trên lợi nhuận giữ lại . Một công ty có tỷ lệ tăng trưởng dương

thì ch c ch n xác suất xảy ra nguy cơ phá sản thấp. Ngược lại nếu một công ty có tỷ lệ

tăng trưởng âm thì nguy cơ phá sản s lớn hơn. Do đặc thù của kinh tế Việt Nam và để

thuận tiện trong việc thu thập số liệu đề tài tính yếu tố tăng trưởng qua hai biến là X8=

tốc độ tăng doanh thu thuần và X9= tốc độ tăng tổng tài sản. Một công ty vẫn có tốc độ

tăng doanh thu và tăng tổng tài sản dương thì thường cho thấy công ty đang có các hoạt

động sản xuất kinh doanh tốt và ngược lại. Bên cạnh đó chúng ta cũng cần lưu ý với

những công ty có tốc độ tăng trưởng quá cao đôi khi lại có tác dụng ngược lại tăng

nguy cơ phá sản , vì thế chúng ta cần lưu ý khi phân tích kết quả. Giả thuyết nghiên

cứu tạm thời như sau:

H4: “Tăng trưởng bình thường của công ty có tác động ngược chiều với nguy cơ

phá sản công ty”.

Với các yếu tố phi tài chính, luận án sử dụng X10= tuổi của công ty để đại diện

cho kinh nghiệm trong ngành vì Lussier 2005 thấy rằng nó ảnh hưởng đến việc dự

đoán thành công hay thất bại trong kinh doanh, đặc biệt ở các thị trường mới nổi như

Việt Nam. Giả thuyết

H5: “ Số năm hoạt động có tác động ngược chiều với xác suất xảy ra vỡ nợ của

doanh nghiệp”.

137

Và luận án cũng thêm một biến nữa, X11= Trạng thái niêm yết của công ty, là biến

phi tài chính. Tình trạng công ty niêm yết ngụ ý một doanh nghiệp niêm yết với quy mô

lớn hơn có xu hướng phá sản ít hơn so với công ty không niêm yết. Giả thuyết

H6: “ Doanh nghiệp niêm yết có nguy cơ vỡ nợ thấp hơn doanh nghiệp chưa

niêm yết”.

Tác giả cũng lựa chọn biến: X12= Tỷ lệ sử dụng vốn vay được tính bằng log

Tỷ lệ dư nợ thực tế Hạn mức tín dụng trong vòng 3 tháng của doanh nghiệp đại diện

cho đặc điểm khoản vay. Giả thuyết

H7: “Tỷ lệ sử dụng vốn vay có tác động cùng chiều với xác suất vỡ nợ của

doanh nghiệp vay vốn”.

138

Bảng 3.15: Các biến đƣợc lựa chọn xây dựng mô hình

Biến thuộc yếu tố

Tƣơng qua kì vọng với nguy

STT

Biến

Kí hiệu

Cách tính

Các nghiên cứu trƣớc

tác động

cơ mất khả năng thanh toán

Thanh Khoản

(-)

HS thanh khoản

Tài sản ng n hạn Nợ ng n hạn

Altman (1977), Zang (2007)

Altman (1968, 1977), Puagwatana &

Lợi nhuận sau thuế tổng

ROA

tài sản

Gunawardana (2005), Zang 2007 , Hoàng Tùng 2011

ROE

Lợi nhuận sau thuế /VCSH

Hoàng Tùng 2011 , Nguyễn Trọng Hòa

Atlman (1968, 1977), Puagwatana &

EBIT/TTS

Gunawardana (2005)

EBIT tổng tài sản

Hiệu quả hoạtđộng

(-)

Atlman (1968), Puagwatana &

Doanh thu thuần Tổng

DTT/TTS

Gunawardana (2005), Rashid & Abbas (2011)

tài sản

Atlman (1968), Puagwatana &

Gunawardana (2005), Rashid & Abbas

EBIT/DTT

EBIT Doanh thu thuần

(2011)

Đòn bẩy tài

Tổng nợ Tổng tài sản

Beaver 1966 , Altman 2007 , Ohlson 1980 , Wang & Campbell 2010 ,

Đòn bảy tài chính

(+)

chính

Hoàng Tùng 2011

(-)

Tăng DTT

Tăng DTT = DT năm

Tăng trưởng

Zang & Chen

139

STT

Biến

Kí hiệu

Cách tính

Các nghiên cứu trƣớc

Biến thuộc yếu tố tác động

Tƣơng qua kì vọng với nguy cơ mất khả năng thanh toán

sau – DT năm

trước DT năm trước

Tăng TTS = TTS năm

Tăng TTS

sau – TTS năm trước TTS năm trước

Zang & Chen

(-)

X10

Honjo (2000), Lu, Lee và Chang (2008)

Số năm hoạt động của doanh nghiệp

Tuổi doanh nghiệp

Yếu tố phi tài chính

(+)

X11

Honjo (2000), Lu, Lee và Chang (2008)

Doanh nghiệp niêm yết= 1, chưa niêm yết= 0

Tình trạng niêm yết

Dư nợ thực tế Hạn mức

Đặc điểm khoản

Tỷ lệ sử dụng

(-)

X12

Bc. Pavel Muzicek (2010)

tín dụng

vay

vốn vay

Cơ cấu nợ

X13

Nợ ng n hạn Tổng nợ

Cơ cấu nợ

Hoàng Tùng 2011 , Nguyễn Bảo Khang (2012)

Biến kiểm soát

Tài sản ng n hạn Tổng

Altman (1977)

Cơ câú TTS

X14

Cơ cấu tài sản

tài sản

Nguồn: Tổng hợp của tác giả

140

3.2.1.2. Thu thập dữ liệu

Dữ liệu được sử dụng trong nghiên cứu này được cung cấp từ kho dữ liệu về

KHDN vay vốn các NHTM tại Việt Nam. Trước tiên, tác giả gửi bảng thông tin cần thu

thập về doanh nghiệp vay vốn đến giám đốc các NHTM Việt Nam. Nghiên cứu sinh đã

thu thập được dữ liệu của 385 KHDN từ 10 NHTM Phụ lục 05 . Tuy nhiên, sau khi

xem xét cơ sở dữ liệu, tác giả nhận thấy rằng đối với một số KH, thông tin quan trọng

đã bị bỏ qua; do đó. Mẫu được lựa chọn để phát triển mô hình bao gồm 257 doanh

nghiệp vay vốn tại 10 NHTM Việt Nam.

Biến phụ thuộc là khả năng trả nợ của KH nhận giá trị là 1 nếu KH có nợ quá

hạn như định nghĩa trên KH xấu và nhận giá trị là 0 nếu tình trạng trả nợ tốt KH tốt .

Với quan điểm đó thì mẫu được lựa chọn nghiên cứu bao gồm 77 KH xấu và

180 KH tốt.

Trước tiên, tác giả tiến hành kiểm tra chất lượng cơ bản của mẫu dữ liệu, thử

nghiệm đa cộng tuyến, xây dựng mô hình cảnh báo sớm RRTD dựa trên mô hình hồi

quy Logit trên phần mềm SPSS 20. Kết quả của mô hình s được phân tích trong phần

tiếp theo.

3.2.2 Kết quả mô hình

3.2.2.1 Thống kê mô tả

Để có đánh giá sơ bộ về các biến độc lập đưa vào mô hình nghiên cứu. Bảng sau

s trình bày tóm t t các thống kê về giá trị trung bình, độ lệch chuẩn, giá trị lớn nhất,

giá trị nhỏ nhất của các biến độc lập trong mô hình nghiên cứu.

141

Bảng 3.16: Thống kê mô tả các biến

N (số quan sát)

Mean (Giá trị trung bình)

Std. Deviation (độ lệch chuẩn)

lượng các quan sát công ty có hệ số thanh khoản ng n hạn lớn hơn 5 lại chiếm tỷ lệ

thấp 5,29% mà chủ yếu tập trung ở khoảng giá trị từ 1 đến 3 chiếm 65,12%.

Các biến đại diện cho hiệu quả hoạt động thì: ROA X2 có giá trị trung bình là

-0,014, với giá trị nhỏ nhất là -6,46 còn giá trị lớn nhất là 4,17. Nhìn chung, tỷ số lợi

nhuận sau thuế trên tổng tài sản của các quan sát có được tương đối nhỏ. Đặc biệt có

quan sát có giá trị âm thể hiện thời điểm các công ty làm ăn thua lỗ. Biến ROE X3 –

lợi nhuận sau thuế trên vốn chủ sở hữu có giá trị trung bình là 7,34 giá trị nhỏ nhất là -

0,17. Độ lệch chuẩn 0,86 lại khá lớn. Điều đó cho thấy có sự khác nhau giữa các công

ty và trong các giai đoạn hoạt động khác nhau. Cũng giống như biến ROA thì biến

ROE cũng có có giá trị âm.

Biến suất sinh lợi căn bản X4 – EBIT chia tổng tài sản cũng có phân bố tương

tự như ROA và ROE khi có giá trị trung bình là 0,11 giá trị lớn nhất là 5,46 và giá trị

nhỏ nhất là -0,49 và độ lệch chuẩn là 0,44. Vòng quay tổng tài sản X5 có giá trị trung

bình là 2,58 giá trị nhỏ nhất quan sát được là 0,02 và giá trị lớn nhất là 24,94; , độ lệch

chuẩn là 2,64.

142

Biến độc lập sau cùng trong yếu tố hiệu quả hoạt động là biến X6 – lợi nhuận

trước thuế và lãi vay chia doanh thu thuần có giá trị trung bình là 0,44, giá trị lớn nhất

là 1,0 và giá trị nhỏ nhất là -24,6 và độ lệch chuẩn là 2,76. Với biến X6 cho thấy rằng

giá trị số liệu quan sát phân bố không cân bằng khi độ lệch chuẩn cũng có giá trị lớn

2,76 so với giá trị trung bình 0,44 . Như vậy với số liệu có được của 5 biến đại diện

cho hiệu quả hoạt động, chúng ta thấy rằng có sự khác biệt khác lớn giữa các công ty

do độ lệch chuẩn luôn có giá trị lớn so với giá trị trung bình của biến. Bên cạnh đó, số

liệu thu thập được đã phản ánh đúng được phần nào thực trạng của nền kinh tế là biến

động phức tạp và gặp rất nhiều khó khăn trong giai đoạn nghiên cứu. Đây cũng được

xem như là những yếu tố then chốt dẫn đến nguy cơ mất khả năng thanh toán các khoản

nợ của cho các TCTD.

Trong giai đoạn nền kinh tế gặp nhiều khó khăn thì việc sử dụng đòn bẩy tài

chính một cách hợp lí s góp phần nâng cao hiệu quả hoạt động của công ty. Biến tỷ số

nợ trên tổng tài sản X7 đại diện cho yếu tố đòn bẩy tài chính có giá trị trung bình là

0,56 và giá trị độ lệch chuẩn là 0,27. Đây là tỷ số mà nhà đầu tư rất quan tâm vì nếu tỷ

số này càng cao thì công ty s tận dụng được lá ch n thuế. Vì vậy có thể coi đây là một

biến ảnh hưởng đến quyết định chiến lược hoạt động của người chủ công ty và tác động

đến nguy cơ vỡ nợ của công ty.

Tăng trưởng là yếu tố phản ảnh sự lớn mạnh của công ty. Trong nghiên cứu thì

tăng trưởng được đại diện bởi hai biến tốc độ tăng doanh thu thuần X8: đại diện cho sự

lớn mạnh về hoạt động của công ty và tốc độ tăng tổng tài sản X9: đại hiện cho sự lớn

mạnh về quy mô của công ty . Về tốc độ tăng doanh thu thuần mẫu quan sát có giá trị

trung bình là 0,30 giá trị lớn nhất là 24,35 và nhỏ nhất là - 0,99. Ta cũng thấy được

rằng tỷ số này có biến động khá lớn so với giá trị trung bình khi độ lệch chuẩn là 1,88.

Còn tốc độ tăng tổng tài sản của nhóm mẫu quan sát có giá trị trung bình là 0,13, nhưng

lại ít biến động tốc độ tăng của doanh thu hơn khi có giá trị nhỏ nhất là -0,99, giá trị

cao nhất là 1,90 và cả độ lệch chuẩn chỉ bằng 0,36.

Bên cạnh các biến chính thì các biến kiểm soát tác giả đưa thêm vào trong

nghiên cứu như biến X13 nợ ng n hạn trên tổng nợ cho thấy thêm rằng cơ cấu nợ của

các mẫu quan sát. Với giá trị trung bình là 0,84 giá trị nhỏ nhất là 0,18 và giá trị lớn

nhất là 1 thì cơ cấu nợ của các mẫu quan sát là nợ ng n hạn chiếm tỷ trọng lớn. Trong

khi đó biến cơ cấu tài sản X14 – tài sản ng n hạn chia tổng tài sản thì lại có giá trị

trung bình là 0,45 giá trị nhỏ nhất là 0,01 giá trị lớn nhất là 0,95. Mặc dù trong cơ cấu

143

tài sản thì tài sản ng n hạn chiếm tỷ trọng lớn trong tổng tài sản nhưng vẫn nhỏ hơn cơ

3.2.2.2 Kiểm tra đa cộng tuyến

cấu của nợ, đây là điểm mà ta cần phải lưu ý khi phân tích.

Chúng ta cần kiểm tra hệ số VIF của các biến. Kết qủa cho thấy VIF của tất cả

các biến đều nhỏ hơn 10, nên không có xảy ra hiện tượng đa công tuyến giữa các biến

trong mô hình.

Bảng 3.17: Kiểm tra đa cộng tuyến

T

Sig.

Collinearity Statistics

Coefficientsa Model

Unstandardized Coefficients B

Standardized Coefficients Beta

Tolerance

VIF

Std. Error ,273 ,020 ,037 ,028 ,077 ,009 ,009 ,175 ,012 ,063 ,002 ,046 ,112 ,160 ,219

,457 -,065 -,065 -,063 ,126 ,003 -,020 ,806 -,001 -,076 -,012 ,036 -,512 ,734 -,835

-,206 -,110 -,119 ,123 ,015 -,123 ,483 -,005 -,060 -,381 ,039 -,259 ,328 -,433

1,671 -3,206 -1,731 -2,219 1,634 ,280 -2,310 4,611 -,109 -1,199 -7,477 ,782 -4,556 4,573 -3,808

,096 ,002 ,085 ,027 ,104 ,779 ,022 ,000 ,913 ,232 ,000 ,435 ,000 ,000 ,000

,553 ,564 ,797 ,401 ,794 ,805 ,207 ,977 ,897 ,876 ,919 ,707 ,442 ,176

1,808 1,773 1,254 2,491 1,259 1,242 4,828 1,024 1,115 1,142 1,088 1,415 2,260 5,668

(Constant) X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14

a. Dependent Variable: Y

Nguồn: Tính toán của tác giả

3.2.2.3 Hồi qui Logit đa biến

Bảng Case Processing Summary cho chúng ta thông tin dữ liệu đưa vào phân

tích hồi quy nhị phân. Cụ thể: có 257 quan sát Included in Analysis , không có quan

sát nào bị thiếu dữ liệu: 0 Missing Cases , không có quan sát nào không được chọn: 0

(Unselected Cases)

Bảng 3.18: Tóm tắt thông tin dữ liệu phân tích hồi quy

T lệ (%)

N (Số quan sát)

Mẫu được chọn

Mẫu phân tích Mẫu thiếu dữ liệu Tổng

Mẫu không được chọn Tổng

257 0 257 0 257

100,0 ,0 100,0 ,0 100,0

Nguồn: Tính toán của tác giả

144

Bảng Dependent Variable Encoding cho biến phụ thuộc mang 2 giá trị

Y = 1: Có khả năng phá sản Không trả được nợ , mã hóa là 1

Y = 0: Trả được nợ, mã hóa là 0

Bảng 3.19: Mã hoá biến phụ thuộc

Dependent Variable

Encoding

Original

Internal

Value

Nguồn: Tính toán của tác giả

Bước thứ nhất trong chạy mô hình Logit phân tích các hệ số mô hình. Nghiên

cứu s sử dụng phương pháp Enter đưa các biến độc lập vào cùng một lần

Bảng 3.20: Phân tích các hệ số mô hình

Chi-square

df

Sig.

Step

239,266

,000

Block 239,266

,000

Step 1

Model 239,266

,000

Cột Chi-square và Sig. thể hiện kết quả kiểm định Chi bình phương, đây là kiểm định để xem hệ số hồi quy của các biến độc lập có đồng thời bằng 0 hay

không. Do phương pháp được chọn là Enter nên 3 giá trị Step, Block, Model đều

như nhau. Trong trường hợp này thì Sig. của cả 3 chỉ số đều bằng 0,000 < 0,1 độ

tin cậy 90% nên mô hình hồi quy có ý nghĩa thống kê với độ tin cậy là 90%.

Nguồn: Tính toán của tác giả

Bảng 3.21: Tóm tắt mô hình

Step

-2 Log

Cox & Snell

Nagelkerke R

likelihood

R Square

Square

74,549

,606

,859

Nguồn: Tính toán của tác giả Bảng tóm t t mô hình dùng để cân nh c lựa chọn các mô hình. Nagelkerke R Square = 0,859 nghĩa là mô hình có thể giải thích được nguy cơ không trả được nợ phá sản là 85,9%.

145

Bảng 3.22: Kiểm định Hosmer và Lemeshow

Step Chi-square df

Sig.

2,785

,947

Nguồn: Tính toán của tác giả

Bảng kiểm định Hosmer và Lemeshow lựa chọn mô hình phù hợp. Ở đây Sig. =

0,947 > 0,1 : mô hình phù hợp

Bảng 3.23: Bảng phân loại

Predicted

Y

Observed

Percentage Correct 97,2 89,6

0 1

Step 1

0 175 8

1 5 69

94,9

Overall Percentage a. The cut value is ,500

Nguồn: Tính toán của tác giả

Bảng phân loại cho thấy phân loại đối tượng Có khả năng trả nợ và Không có

khả năng trả nợ theo hai tiêu chí quan sát thực tế và dự đoán. Ý nghĩa:

Trong 180 175+5 trường hợp quan sát có khả năng trả được nợ thì có 175

trường hợp mô hình dự đoán đúng, tỉ lệ dự đoán đúng là 175 180 = 97,2%

Trong 77 8+69 trường hợp quan sát không có khả năng trả được nợ thì có 69

trường hợp mô hình dự đoán đúng, tỉ lệ dự đoán đúng là 69 77 = 89,6

Như vậy, tỷ lệ trung bình dự đoán đúng là 94,9%

Bảng 3.24: Kết quả mô hình hồi qui

B

S.E. Wald Df Sig.

Exp(B)

90% C.I.for EXP(B)

Lower

Upper

-1,675

,567

8,733

,003

,187

,074

,476

-5,077

2,258

5,058

,025

,006

,000

,256

-6,245

2,829

4,873

,027

,002

,000

,204

-5,691

3,525

2,607

,106

,003

,000

1,113

Step 1a

-,264

,224

1,386

,239

,768

,532

1,110

-4,119

1,721

5,730

,017

,016

,001

,276

11993226742

25,725

6,869

14,028

,000 148721688766,163

1844219,340

987974,000

146

-,389

,677

,331

,565

,677

,223

2,063

-,363

,759

,228

,633

,696

,200

2,427

-,599

,122

24,288

,000

X10

,549

,450

,671

,716

,685

1,092

,296

X11

2,046

,663

6,313

-6,367

1,918

11,024

,001

X12

,002

,000

,040

27623940690

X13

25,410

6,167

16,975

,000 108540716705,858

4264810,483

22356,000

X14

,000

-30,090

7,714

15,217

,000

Cons

5981440955588875,

36,327 20,431

3,162

,075

tant

000

a. Variable(s) entered on step 1: X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14.

Nguồn: Tính toán của tác giả

Bảng Variables in the Equation cung cấp thông tin về phương trình hồi quy. Cột

Sig. của kiểm định Wald kiểm định Wald dùng để kiểm tra biến độc lập có ý nghĩa

trong mô hình hồi quy hay không . Trong bộ dữ liệu của chúng ta, Sig của kiểm định

Wald của các biến độc lập nhỏ hơn 0,1 độ tin cậy 90% thì các biến đó có ảnh hưởng

đến khả năng không trả được nợ hay trả được nợ. Do đó theo kết quả hồi qui thì các

biến X4, X5, X8, X9, X11 không có ý nghĩa thống kê. Các biến còn lại đều có ý nghĩa

thống kê với độ tin cậy 90%.

Cột B là hệ số hồi quy của các biến độc lập, giá trị này có thể dương hoặc âm.

Nếu B nhận giá trị âm, nghĩa là biến độc lập tác động nghịch lên biến phụ thuộc.

Ngược lại, B nhận giá trị dương, nghĩa là biến độc lập tác động thuận lên biến phụ

thuộc.

Kết quả hồi qui trên cho thấy tác động của các biến độc lập lên biến phụ thuộc

như sau:

Hệ số thanh khoản có ảnh hưởng âm đến xác suất xảy ra vỡ nợ của công ty và

cùng dấu với kì vọng giả thuyết ban đầu. Như vậy có thể đưa ra nhận định là hệ số

thanh khoản ng n hạn có thể tác động đến nguy cơ vỡ nợ KHDN. Hệ số thanh khoản

càng cao thì nguy cơ vỡ nợ càng thấp. Điều này đúng với kì vọng giả thuyết nhưng ta

cũng cần lưu ý thêm rằng giai đoạn 2015 đến 2018 là giai đoạn nền kinh tế Việt Nam ở

giai đoạn tăng trưởng ổn định, lãi suất thấp. Còn nêú ở những giai đoanh kinh tế khó

khăn, lãi suất cao thì một công ty dành quá nhiều nguồn lực tài sản lưu động để đảm

147

bảo chi trả cho các khoản nợ tới hạn mà bỏ qua các cơ hội đầu tư hiệu quả thì có thể

làm kết quả tổng thể của công ty có thể xấu đi và dẫn đến nguy cơ vỡ nợ cũng s tăng

theo. Ví dụ năm 2009 thì sau giai đoạn phát triển bùng nổ của thị trường chứng khoán

thì đây là giai đoạn thị trường chứng khoán nói riêng và nền kinh tế Việt Nam nói

chung b t đầu chịu sự tác động mạnh m của cuộc khủng hoảng kinh tế thế giới. Giai

đoạn này các công ty, nhà đầu tư phần lớn ngại rủi ro nên tính thanh khoản là một trong

những yếu tố quan tâm hàng đầu. Và tất yếu nếu công ty có hệ số thanh khoản thấp s

bị đánh giá là có nguy cơ phá sản cao và ngược lại.

Biến X1 tài sản lưu động nợ ng n hạn – hệ số thanh khoản ng n hạn

Hệ số thanh khoản là tỷ số đo lường khả năng chi trả các khoản nợ ng n hạn.

Trong nghiên cứu của Altman và các cộng sự 1977 thì hệ số thanh khoản ng n hạn là

1 trong 7 biến của mô hình ZETA, tuy nhiên mô hình không đưa ra các hệ số hồi qui

cũng như chiều hướng ảnh hưởng của biến này đối với xác suất nguy cơ vỡ nợ công ty.

Đây là tỷ số cần phải quan tâm hàng đầu nếu ta đứng trên quan điểm phá sản công ty

theo qui định của luật phá sản của Việt Nam. Vì nếu tỉ số này thấp thì khả năng thanh

toán các khoản nợ ng n hạn của công ty s kém dẫn đến nguy cơ lâm vào tình trạng

phá sản nếu công ty không thanh toán được các khoản nợ đến hạn khi chủ nợ yêu cầu.

Trong các nghiên cứu tại thị trường Việt Nam đề tài đã tham khảo thì tác giả Nguyễn

Trọng Hòa cũng đã sử dụng biến hệ số thanh khoản ng n hạn trong đề tài “xây dựng

mô hình xếp hạng tín dụng đối với các doanh nghiệp Việt Nam trong nền kinh tế

chuyển đổi” tuy nhiên kết quả hồi qui cuối cùng thì biến này không có ý nghĩa.

Tóm lại để có thể khẳng định chính xác hệ số thanh khoản ng n hạn có tác

động như thế nào đối với khả năng xảy ra phá sản của công ty thì cần có thêm các

nghiên cứu sâu hơn nữa, sử dụng dữ liệu trong giai đoạn dài hơn nữa để có các kết

luận chính xác.

Biến X2 lợi nhuận sau thuế tổng tài sản – ROA, biến X3 lợi nhuận sau

thuế vốn chủ sở hữu – ROE và biến X6 EBIT trên doanh thu thuần

Biến X2 ROA có hệ số hồi qui trong mô hình -5,077 chứng tỏ ROA có ảnh

hưởng ngược chiều với xác suất xảy ra nguy cơ vỡ nợ công ty, tức là nếu ROA càng cao

thì nguy cơ xảy ra phá sản s thấp và ngược lại. Điều này phản ánh đúng với kỳ vọng giả

148

thuyết và cũng đúng với hầu hết các kết quả nghiên cứu mà đề tài đã tham khảo. Đây là tỷ

số mà nhà đầu tư s quan tâm trước khi ra quyết định đầu tư. Vì nó cho biết được khi đầu

tư vào 1 đồng tài sản thì s thu được lợi nhuận là bao nhiêu đồng.

Biến X3 ROE cũng tương tự như ROA đây là yếu tố nhà đầu tư s quan tâm

đầu tiên trước khi đầu tư tiền của vào bất kì một công ty nào. Nó cho biết được khi nhà

đầu tư bỏ 1 đồng để đầu tư vào công ty thì cuối cùng họ thu về được bao nhiêu lợi

nhuận. Với kết quả hồi qui là -6,245 cho ta thấy ROE có tác động ngược chiều đến xác

suất vỡ nợ của công ty. Tức là nếu công ty có ROE càng cao thì xác suất phá sản càng

thấp và ngược lại, kết quả này cũng phù hợp với hầu hết các kết quả nghiên cứu mà đề

tài đã tham khảo.

ROA, ROE và EBIT trên doanh thu thuần là các biến đặc trưng cho hiệu quả

hoạt động của công ty. Để đánh giá nguy cơ vỡ nợ công ty thì hiệu quả hoạt động là

một trong những yếu tố rất quan trọng. Trong hầu hết các nghiên cứu về phá sản công

ty thì các biến về hoạt động luôn tồn tại trong các mô hình dự báo cuối cùng. Trong

nghiên cứu của Beaver 1966 thì biến hiệu quả hoạt động trong mô hình là thu nhập

ròng trên tổng tài sản, còn các mô hình của Altman 1968, 1977... biến hiệu quả hoạt

động là lợi nhuận trước thuế vả lãi vay trên tổng tài sản, Ohlson 1980 thì biến hiệu

quả là thu nhập ròng trên tổng tài sản, còn Zhang 2007 thì biến hiệu quả hoạt động là

lợi nhuận trên tổng tài sản... tại Việt Nam theo Hoàng Tùng thì các biến hiệu quả là

ROA, ROE, doanh thu trên tổng tài sản, còn theo Nguyễn Trọng Hòa thì biến hiệu quả

hoạt động là lợi nhuận sau thuế trên vốn chủ sở hữu, lợi nhuận sau thuế trên doanh thu

thuần... Như vậy yếu tố hiệu quả hoạt động là một trong những biến có ảnh hưởng trực

tiếp đến nguy cơ vỡ nợ.

ROA và ROE có thể là cùng phản ánh hiệu quả, nhưng ROA không cho thấy

được ảnh hưởng của việc sử dụng đòn bẩy tài chính, lá ch n thuế. Trong khi đó nếu so

sánh với ROA thì ROE phản ánh khá rõ tác động của lá ch n thuế, đòn bẩy tài chính.

Nếu một công ty sử dụng tốt yếu tố này thì có thể công ty có ROA thấp nhưng kết quả

ROE thì lại cao. Những giai đoạn mà lãi suất huy động cao thì việc các công ty s tranh

thủ các nguồn vốn vay có thể có để tận dụng được tác động của lá ch n thuế. Điều này

cũng có tính hai mặt, tỷ lệ vốn vay lớn một mặt tận dụng được lợi ích lá ch n thuế

149

nhưng đồng thời rủi ro cũng s tăng lên bởi vì nếu không kiểm soát tốt thì dễ dẫn đến

gánh nặng của lãi vay, nguy cơ giảm ROA tức tăng nguy cơ vỡ nợ. Như vậy nếu xét

dài hạn thì tác động của ROE hoàn toàn tương tự như ROA tức có tác động ngược

chiều đến khả năng vỡ nợ. Nhưng nếu xét trong ng n hạn thì tùy thuộc vào tình hình

kinh tế, lãi suất huy động vốn... mà ROE s có chiều hướng tác động khác nhau. Và để

có đánh giá chính xác chiều hướng tác động của ROE lên xác suất vỡ nợ công ty cũng

cần có các nghiên cứu chuyên sâu hơn, xây dựng các chỉ tiêu xác định vỡ nợ phù hợp

hơn với yêu cầu thực tế cũng như số liệu sử dụng trong giai đoạn dài hơn.

Biến X6 EBIT Doanh thu thuần : đây là biến thể hiện hiệu quả của hoạt động

kinh doanh bán hàng của công ty. Hầu hết các công ty từ sản xuất đến dịch vụ thì hoạt

động kinh doanh, bán hàng là hoạt động vô cùng quan trọng. Dựa vào nó có thể giúp

người lãnh đạo công ty quyết định tiếp tục sản xuất kinh doanh hay dừng hoạt động.

Kết quả hồi qui cho thấy rằng biến X6 có tác động ngược chiều với nguy cơ vỡ

nợ công ty. Nếu giá trị biến X6 EBIT Doanh thu thuần càng lớn tức là 1 đồng doanh

thu thuần tạo được càng nhiều lợi nhuận thì nguy cơ xảy ra vỡ nợ công ty s càng thấp

và ngược lại.

Tóm lại cả 3 biến ROA, ROE và EBIT Doanh thu thuần có kết quả tổng thể

phản ánh đúng kì vọng của giả thuyết cũng như phản ánh đứng với kết quả của hầu hết

các nghiên cứu đã tham khảo.

Biến X7 Tổng nợ Tổng tài sản – đòn bẩy tài chính

Với kết quả thu được thì hệ số hồi qui trong tất cả các trường hợp đều có ý

nghĩa thống kê và cùng có dấu dương đúng với kì vọng giả thuyết đặt ra ban đầu. Điều

đó có ý nghĩa là biến đòn bẩy tài chính có tác động cùng chiều đến nguy cơ phá sản tức

là nếu đòn bẩy tài chính có trị số càng lớn thì nguy cơ xảy ra phá sản càng cao. Bên

cạnh đó tỷ số này còn cho biết có bao nhiêu tỷ lệ tài sản được tài trợ bởi nợ, từ đó có

thể đánh giá khả năng tự chủ tài chính của công ty. Nếu tỷ số này quá thấp thì hàm ý

công ty chưa khai thác hết được lợi ích của đòn bẩy tài chính, chưa biết cách huy động

vốn bằng hình thức đi vay. Ngược lại, nếu tỷ số này quá cao thì có thể đánh giá công ty

không có thực lực tài chính mạnh, nguồn vốn có được chủ yếu là từ vay mượn. Vì vậy

rủi ro tài chính hay rủi ro vỡ nợ công ty cũng s tăng lên.

150

Đây là biến phản ảnh sự tác động của đòn bẩy tài chính lên khả năng xảy ra phá

sản công ty. Cũng giống như các nghiên cứu trước đã tham khảo thì đòn bẩy tài chính

xuất hiện trong hầu hết các mô hình dự báo vỡ nợ, Beaver 1966 , Ohlson 1980 , Sori

(2004), Zhang (2007), Wang (2010)…Ở Việt Nam thì có Hoàng Tùng nghiên cứu về

rủi ro tín dụng hay Nguyễn Trọng Hòa nghiên cứu về xếp hạng tín dụng ...

Tuổi của doanh nghiệp X10 là biến có ý nghĩa thống kê và tác động ngược

chiều với xác suất xảy ra vỡ nợ của công ty. Tuổi doanh nghiệp tăng lên thì xác suất vỡ

nợ của công ty giảm xuống.

Biến có ý nghĩa thống kê cuối cùng là X12- tỷ lệ sử dụng vốn vay Dư nợ trên

hạn mức tín dụng . Biến này có tác động cùng chiều với xác suất khả năng vỡ nợ của

KH. Tức là khi mức độ sử dụng vốn càng cao thì xác suất vỡ nợ càng lớn.

Kết quả này phù hợp với nhiều nghiên cứu lý thuyết cho rằng: một trong những

dấu hiệu cảnh báo sớm RRTD là mức độ sử dụng thấu chi thường xuyên hơn của KH

vay vốn.

Các biến kiểm soát: X13 Nợ ng n hạn Tổng nợ , X14 Tài sản ng n hạn Tổng

tài sản

Hai biến kiểm soát này s cho biết được việc cơ cấu nợ tỷ lệ giữa nợ ng n hạn

trên tổng nợ hay cơ cấu tài sản Tài sản ng n hạn Tổng tài sản có ảnh hưởng đến

nguy cơ phá sản của công ty như thế nào. Nếu kết hợp với biến đòn bẩy tài chính thì

hai biến cơ cấu nợ và cơ cấu tài sản s giúp đánh giá tình hình công ty sử dụng cơ cấu

nợ như thế nào và việc sử dụng các loại nợ vào đầu tư các loại tài sản cũng như tình

hình quản lí tài sản của công ty.

Kết quả hồi qui từ dữ liệu có được thấy rằng biến cơ cấu nợ có ảnh hưởng cùng

chiều với nguy cơ xảy ra vỡ nợ công ty. Nghĩa là nếu cơ cấu nợ mà trong đó nợ ng n

hạn chiếm tỷ trọng càng lớn thì nguy cơ xảy ra vỡ nợ càng cao và ngược lại. Tương tự

thì biến cơ cấu tài sản cũng có tác động đến khả năng xảy ra vỡ nợ công ty nhưng lại

ngược chiều. Tức là nếu trong cơ cấu tài sản mà tài sản ng n hạn chiếm tỷ trọng càng

lớn thì khả năng xảy ra phá sản s càng thấp và ngược lại.

nh hưởng của 2 biến này s rõ ràng hơn nếu ta xét trong mối quan hệ, cơ

cấu nợ cao tức nợ ng n hạn chiếm tỷ trọng lớn và cơ cấu tài sản thấp tức tài sản

ng n hạn chiếm tỷ trọng nhỏ thì nguy cơ xảy ra vỡ nợ s tăng lên cao. Bởi vì, điều

đó có thể dẫn tới suy luận rằng công ty đã sử dụng các khoản nợ ng n hạn để tài trợ

151

đầu tư vào các tài sản dài hạn. Khi các khoản nợ đến hạn cần thanh toán thì khả

năng thanh toán kém do các tài sản dài hạn có tính thanh khoản thấp, khả năng

thanh khoản nói chung của công ty giảm và đây cũng là yếu tố dẫn đến vỡ nợ công

ty. Ngược lại tức là công ty sử dụng các khoản vay dài hạn để đầu tư tài trợ cho các

loại tài sản ng n hạn, mà các tài sản này lại có tính thanh khoản cao nên khả năng

chi trả các khoản nợ của công ty luôn được đảm bảo và làm giảm rủi ro về tài chính

của công ty nói riêng và giảm rủi ro vỡ nợ nói chung.

log

= -1,675*X1 – 5,077*X2 – 6,245*X3 – 4,119*X6 + 25,725*X7 – 0,599*X10 –

6,367*X12 + 25,410*X13 – 30,090*X14 + 36,327

Từ đó ta tính được xác xuất p như sau :

– – – – – – – – – – – –

Với kết quả như trên, thế vào phương trình hồi quy Logit ta có:

Hình 3.1: Đồ thị phân phối xác suất trả nợ

Từ đồ thị phân phối, tác giả nhận thấy các giá trị Pi phân phối không đồng đều,

do đó tác giả không xây dựng bảng xếp hạng RRTD theo khả năng trả nợ có khoảng

cách đều nhau mà đề xuất bảng phân loại phù hợp với tính chất phân phối như sau:

152

Bảng 3.25: Đề xuất mức cảnh báo RRTD

Pi

Phân loại

Đề xuất mức cảnh báo sớm RRTD

Mức rủi ro thấp

0,95 - 1

AAA

0,9-0,95

0,8-0,9

Mức rủi ro trung bình

0,7-0,8

BBB

0,6-0,7

0,4-0,6

Mức rủi ro cao

0,2-0,4

CCC

0,1-0,2

0,05-0,1

Mất khả năng thanh toán

0,00-0,05

Nguồn: Đề xuất của tác giả

Như vậy, ứng dụng mô hình Logit để cảnh báo sớm RRTD đối với KHDN với

cơ sở dữ liệu các DN vay vốn tại các NHTM Việt Nam đã được thực hiện trong giai

đoạn 2015-2018. Với các biến được lựa chọn có ý nghĩa thống kê và sử dụng phương

pháp hồi qui Logit, nghiên cứu đã chỉ ra được những yếu tố tác động đến xác suất vỡ

nợ của KH vay vốn, hướng tác động và mức độ tác động cụ thể bằng phương pháp định

lượng. Kết quả dự báo của mô hình so với thực tế rủi ro của KH có tỷ lệ trúng cao.

Qua việc nghiên cứu về mô hình Logit ở trên đây, tác giả nhận thấy rằng, mô

hình có nhiều ưu điểm như: việc xếp hạng tín dụng KH được khách quan hơn, chính

xác hơn … Trong khi đó, hầu hết các NHTM Việt Nam hiện vẫn đang sử dụng mô hình

định tính để xếp hạng KH và cảnh báo sớm RRTD. Cách làm này phụ thuộc rất nhiều

vào vào quan điểm chủ quan của nhân viên tín dụng, do đó các ngân hàng phải đối mặt

với rất nhiều rủi ro bởi trình độ thẩm định của nhân viên còn hạn chế, nhân viên có thể

thông đồng với KH để nâng hạng tín dụng…

Vì vậy, tác giả đề xuất rằng, các mô hình định lượng như mô hình Logit nên

được sử dụng rộng rãi hơn bởi tính khách quan cũng như hiệu quả của nó.

Tác giả cũng khuyến nghị, các NHTM Việt Nam nên tiếp tục nghiên cứu và thử

nghiệm với cơ sở dữ liệu của mình để xây dựng mô hình phù hợp nhất với phân khúc

KH và môi trường kinh doanh của ngân hàng mình.

153

Kết luận chƣơng 3

Qua nghiên cứu khảo sát và đánh giá thực trạng về cảnh báo sớm RRTD tại các

NHTM Việt Nam, có thể thấy rằng hầu hết các NHTM Việt Nam hiện vẫn đang sử

dụng mô hình định tính để xếp hạng khách hàng và cảnh báo sớm RRTD. Cách làm

này phụ thuộc rất nhiều vào vào quan điểm chủ quan của nhân viên tín dụng, do đó các

ngân hàng phải đối mặt với rất nhiều rủi ro bởi trình độ thẩm định của nhân viên còn

hạn chế, nhân viên có thể thông đồng với khách hàng để nâng hạng tín dụng… Do vậy,

để nâng cao hiệu quả cảnh báo sớm RRTD thì việc ứng dụng các mô hình định lượng là

hết sức cần thiết. Chương 3 của luận án đã kế thừa các nghiên cứu trước đó và xây

dựng hai mô hình định lượng để cảnh báo sớm RRTD cho KHCN và KHDN với mức

độ dự đoán đúng của hai mô hình đều rất cao. Đây có thể là tài liệu tham khảo tốt để

các NHTM Việt Nam tự phát triển mô hình cảnh báo sớm trong hệ thống cảnh báo sớm

RRTD tại ngân hàng của mình.

154

CHƢƠNG 4

GIẢI PHÁP HOÀN THIỆN HỆ THỐNG CẢNH BÁO SỚM RỦI RO TÍN

DỤNG TẠI CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM

4.1 Định hƣớng về quản trị rủi ro tín dụng và cảnh báo sớm rủi ro tín dụng tại các

Ngân hàng thƣơng mại Việt Nam

4.1.1 Bối cảnh trong nước và quốc tế tác động tới quản trị rủi ro tín dụng và cảnh

báo sớm rủi ro tín dụng tại các Ngân hàng thương mại Việt Nam

4.1.1.1 Bối cảnh quốc tế

Trong bối cảnh tình hình thương mại thế giới nói chung và các NHTM nói riêng

có nhiều thách thức, tăng trưởng kinh tế chậm lại do ảnh hưởng của xung đột chính trị,

chiến tranh thương mại, dịch Covid toàn cầu..., thì một trong những vấn đề đặt ra cho

sự tồn tại và phát triển của các NHTM là khả năng quản trị rủi ro, đặc biệt là QTRRTD

một cách toàn diện và hệ thống. Phòng ngừa hạn chế RRTD là vấn đề khó khăn, phức

tạp. RRTD thường khó kiểm soát và dẫn đến những thiệt hại, thất thoát về vốn và thu

nhập của ngân hàng. Hoạt động phòng ngừa hạn chế RRTD được thực hiện tốt s đem

lại những lợi ích cho ngân hàng như: i Giảm chi phí, nâng cao được thu nhập, bảo

toàn vốn cho NHTM; ii Tạo niềm tin cho KH gửi tiền và nhà đầu tư; iii Tạo tiền đề

để mở rộng thị trường và tăng uy tín, vị thế, hình ảnh, thị phần cho ngân hàng.

Tháng 12 2017, y ban Basel công bố văn bản “Basel III: Hoàn thiện các cải

cách sau khủng hoảng”, với việc cải cách một số tiêu chuẩn để thực hiện tính vốn đối

với các loại rủi ro như RRTD, rủi ro điều chỉnh định giá tín dụng hay rủi ro hoạt động.

y ban Basel đã đưa ra một tiêu chuẩn hoàn toàn mới khi yêu cầu thực hiện tính vốn

cho rủi ro hoạt động - phương pháp tiêu chuẩn, có hiệu lực từ ngày 1 1 2022 đối với

các ngân hàng quốc tế. Sự ra đời của tiêu chuẩn này có ảnh hưởng lớn đối với dữ liệu

tổn thất nội bộ của ngân hàng, cũng như cách thức vận dụng các dữ liệu để mang đến

các giá trị kinh doanh và quản lý rủi ro theo chiều sâu. Vì vậy, các ngân hàng cần xây

4.1.1.1 Bối cảnh trong nước

dựng hệ thống quản trị RRTD và cảnh báo sớm RRTD theo chuẩn mực quốc tế.

Thời gian qua, ở Việt Nam hệ thống tổ chức tín dụng TCTD đã giữ được ổn

155

định một bước căn bản, năng lực tài chính quản trị của các NHTM, nhất là quản trị rủi

ro đã có chuyển biến mạnh m và tích cực, từng bước đáp ứng được yêu cầu của hội

nhập quốc tế. Khuôn khổ pháp lý về chuẩn mực an toàn lành mạnh, an toàn của các

TCTD được cải thiện, tiến gần hơn tới thông lệ, chuẩn mực ngân hàng quốc tế, tạo nền

tảng cho các TCTD hoạt động an toàn hơn và thúc đẩy cơ cấu lại theo các mục tiêu,

định hướng đã đề ra. Các NHTM Việt Nam từng bước triển khai, áp dụng chuẩn an

toàn vốn Basel II theo đúng lộ trình. Tuy nhiên, quản trị rủi ro trên thị trường tài chính

vẫn là vấn đề cần đặc biệt chú trọng của các NHTM Việt Nam, bởi hệ thống ngân hàng

đang gánh số nợ xấu cao so với chuẩn quốc tế…Do vậy công tác quản trị RRTD vẫn

luôn là một thách thức lớn với hệ thống NHTM Việt Nam. Các NHTM cũng cần xác

định chiến lược quản trị rủi ro hướng tới của ngân hàng. RRTD của ngân hàng cần

được xem xét trên cả hai mặt - cơ hội và thách thức và không chỉ trên tác động của nó

tới các khía cạnh định lượng như vốn kinh tế, mức độ biến động của thu nhập. Lựa

chọn phương thức quản trị rủi ro hiện đại, sử dụng phương pháp định lượng trong đánh

giá rủi ro trong từng giai đoạn cụ thể.

4.1.2 Định hướng về quản trị rủi ro tín dụng và cảnh báo sớm rủi ro tín dụng tại các

Ngân hàng thương mại Việt Nam

Tại các NHTM Việt Nam, cấp tín dụng là hoạt động truyền thống, là hoạt động

mang lại nguồn thu nhập lớn nhất cho các ngân hàng, những rủi ro từ hoạt động này vì

vậy cũng luôn đe doạ ảnh hưởng lớn đến chất lượng tài sản. Để đảm bảo tính bền vững

và ổn định, quản lý RRTD luôn được coi là nhiệm vụ hàng đầu. Trong xu thế cạnh

tranh ngày càng căng thẳng, đi đôi với việc cải tiến, nâng cao chất lượng nghiệp vụ

nhằm đáp ứng nhu cầu kinh doanh và phù hợp với chuẩn mực quốc tế, các NHTM Việt

Nam đang nỗ lực cải thiện bộ khung quản lý rủi ro nói chung và QTRRTD nói riêng.

Những kết quả đạt được trong những năm qua đã cho thấy chất lượng tín dụng

của các NHTM Việt Nam đang từng bước được cải thiện. Tuy nhiên, một thực tế là

chất lượng tín dụng của các NHTM Việt Nam vẫn ở mức thấp so với thông lệ quốc tế,

tỷ lệ nợ xấu vẫn ở mức cao, tập trung tín dụng vẫn tồn tại ở một số ngành hàng, KH.

Nguyên nhân cơ bản của thực trạng này là hạn chế trong công tác QTRRTD của các

ngân hàng, đặc biệt là công tác cảnh báo sớm RRTD.

156

Trong thời gian tới, định hướng của các NHTMViệt Nam là từng bước nâng cao

chất lượng QTRRTD và hoàn thiện hệ thống cảnh báo sớm RRTD, hướng tới mục tiêu

phát triển an toàn, hiệu quả, từng bước tuân thủ các thông lệ và chuẩn mực quốc tế về

QTRRTD và cảnh báo sớm RRTD.

Một hệ thống QTRRTD và cảnh báo sớm RRTD tốt phải được đặt trong môi

trường rủi ro thích hợp. Chiến lược và khẩu vị rủi ro cần được xác định rõ, làm kim chỉ

nam cho sự vận hành của hệ thống cảnh báo sớm và QTRRTD. Chiến lược QTRRTD

cần phải được xây dựng dựa trên những đánh giá toàn diện, kỹ lưỡng tình hình kinh

doanh của ngân hàng và đặc điểm KH vay vốn.

Các NHTM Việt Nam hầu hết đều có định hướng trong thời gian tới đạt được

những tiêu chuẩn mà uỷ ban Basel II đã khuyến nghị. Theo đó thì các NHTM cần

lượng hoá RRTD, hiện nay RRTD cũng được các NHTMViệt Nam nỗ lực lượng

hoá bằng những công cụ như chấm điểm tín dụng KH, tuy nhiên định hướng phát

triển tiếp theo là lượng hoá các câú phần PD, LGD, EAD để đo lường xác suất vỡ

nợ của từng KH và cả danh mục cho vay theo các phương pháp thống kê khách

quan và chính xác hơn.

Một định hướng nữa trong hoạt động cảnh báo sớm RRTD là: từng bước nâng

cao chất lượng công tác giám sát, kiểm soát tín dụng sau cho vay nhằm cảnh báo sớm

RRTD hiệu quả.

4.2 Giải pháp hoàn thiện hệ thống cảnh báo sớm rủi ro tín dụng tại các Ngân hàng

thƣơng mại Việt Nam

4.2.1 Nhóm giải pháp về hoàn thiện cấu trúc hệ thống cảnh báo sớm rủi ro tín dụng

4.2.1.1. Hoàn thiện cơ sở dữ liệu đầu vào cho hệ thống cảnh báo sớm rủi ro tín dụng

Thứ nhất, Các NHTM Việt Nam cần hoàn thiện hệ thống xếp hạng tín dụng nội

bộ, và hệ thống chỉ tiêu cảnh báo sớm RRTD.

Đối với nhóm NHTM đã hoàn thiện một phần và đang tiếp tục triển khai xây

dưng hệ thống cảnh báo sớm RRTD hoặc chưa triển khai xây dựng hệ thống này, thì

thực tế việc cảnh báo sớm RRTD dựa chủ yếu vào kết quả của hệ thống xếp hạng tín

dụng nội bộ hay còn gọi là hệ thống định hạng khách hàng vay vốn . Hệ thống xếp

hạng tín dụng nội bộ là cơ sở đầu tiên giúp các NHTM đo lường rủi ro của một KH,

157

làm cơ sở thiết yêú cho công tác cảnh báo sớm RRTD. Tuy rất nhiều NHTM ở Việt

nam đã đầu tư xây dựng hệ thống xếp hạng tín dụng nội bộ cho ngân hàng mình, nhưng

bản thân hệ thống xếp hạng tín dụng nội bộ ở các ngân hàng cũng đang bộc lộ rất nhiều

điểm hạn chế. Kết quả xếp hạng tín dụng nội bộ mang tính chủ quan và chưa thực sự là

căn cứ để làm cơ sở xây dựng các thước đo lượng hóa rủi ro, hỗ trợ ngân hàng tính toán

chuẩn xác tổn thất dự tính và yêu cầu vốn tối thiểu bù đ p rủi ro. Do vậy các NHTM

cần hoàn thiện hệ thống xếp hạng tín dụng nội bộ, đảm bảo sự hợp lý giữa các bộ tiêu

chí và các trọng số để cho kết quả chuẩn xác, phù hợp với khẩu vị rủi ro của từng ngân

hàng. Trước m t các NHTM nên hoàn thiện hệ thống xếp hạng tín dụng nội bộ theo

phương pháp tiếp cận nội bộ cơ bản hoặc nâng cao theo chuẩn Basel II. Việc xếp hạng

tín dụng phải căn cứ trên i các số liệu thống kê lịch sử của chính ngân hàng cho các

đối tượng KHCN, doanh nghiệp, để tính toán các thước đo rủi ro PD, LGD, EAD cho

các đối tượng này hiện nay một số NHTM đang triển khai theo cách này đồng thời

ii áp dụng các điều chỉnh cần thiết trên cơ sở ý kiến của chuyên gia đòi hỏi có cán bộ

chuyên sâu, am hiểu về nghiệp vụ . Có như vậy việc XHTD mới thực sự là công cụ hạn

chế rủi ro hữu dụng trong hoạt động tín dụng và là căn cứ để định giá theo rủi ro risk

based pricing của NHTM.

Thứ hai, đối với các NHTM đã công bố hoàn thành hệ thống cảnh báo sớm

RRTD và đã hoàn thành 1 phần, đang tiếp tục triển khai thì cần bổ sung thêm cơ sở dữ

liệu liên quan đến các yếu tố vĩ mô như GDP, Lạm phát…vào cơ sở dữ liệu đầu vào

của hệ thống cảnh báo sớm RRTD. Để thực hiện tốt điều này thì hệ thống cơ sở dữ liệu

của hệ thống cảnh báo sớm RRTD cần được liên kết với hệ thống cơ sở dữ liệu vĩ mô

quốc gia để cập nhật thường xuyên và liên tục các thay đổi mới nhất của các yếu tố vĩ

mô. Có bộ phận lọc dữ liệu và phân tích dữ liệu để đáp ứng các yêu cầu về tính đầy đủ,

tính chính xác và tin cậy của nguồn dữ liệu.

Thứ ba, tất cả các NHTM Việt Nam cần từng bước tự động hoá việc thu thập và

cập nhật dữ liệu đầu vào của hệ thống cảnh báo sớm RRTD. Giải pháp này s tăng tính

khách quan, độ chính xác của cơ sở dữ liệu. Hơn nữa còn tiết kiệm thời gian, chi phí và

tăng hiệu quả của hệ thống này.

158

4.2.1.2. Hoàn thiện hệ thống chỉ tiêu cảnh báo sớm rủi ro tín dụng

Thứ nhất, hệ thống chỉ tiêu cảnh báo sớm RRTD cho từng nhóm KH, từng phân

khúc KH cần được các NHTM thực hiện xây dựng đối với nhóm NHTM chưa triển khai

và hoàn thiện đối với nhóm NHTM đã công bố hoàn thành hoặc đang tiếp tục triển

khai).Các NHTM Việt Nam cần tham khảo kinh nghiệm của các NHTM thành công trên

thế giới về cách thức lựa chọn chỉ tiêu cảnh báo sớm, hỏi ý kiến chuyên gia về các tình

huống rủi ro dựa trên kinh nghiệm điển hình và đặc biệt để xây dựng hệ thống chỉ tiêu đầy

đủ và hiệu quả nhất. Thường xuyên theo dõi kết quả cảnh báo sớm của hệ thống cảnh báo

sớm và so sánh với rủi ro thực tế xảy ra để đánh giá và điều chỉnh thường xuyên, kịp thời.

Thứ hai, các chỉ số cảnh báo sớm rủi ro cần bao phủ được các nguyên nhân gây

ra vỡ nợ chủ yếu cho KHDN như: Triển vọng kinh doanh, tình hình tài chính, khả năng

thanh toán, tài sản đảm bảo và hồ sơ tín dụng, những thay đổi về mặt quản lý hoặc

chiến lược… Đồng thời, tăng cường sử dụng các chỉ tiêu có thể tính tự động như tỷ lệ

sử dụng hạn mức, số ngày quá hạn, độ biến động dòng tiền vào ra… nhằm tăng tính

hiệu quả, bảo đảm số liệu cập nhật theo thời gian thực. Hơn nữa hệ thống chỉ tiêu cảnh

báo sớm RRTD đối với tất cả các đối tượng KH vay vốn cần được bổ sung thêm các

chỉ tiêu liên quan đến yếu tố vĩ mô, bởi đây là các yếu tố có ảnh hưởng đến RRTD của

KH vay vốn nhưng lại chưa được các NHTM Việt Nam đề cập đến trong hệ thống chỉ

tiêu cảnh báo sớm RRTD hiện tại.

Thứ ba, bên cạnh những chỉ tiêu cảnh báo sớm RRTD riêng lẻ cho từng nhóm

KH, các NHTM cũng cần xây dựng bộ chỉ tiêu cảnh báo sớm RRTD cho nhóm KH có

liên quan. Trọng tâm là nhận diện như thế nào là nhóm KH có liên quan? Những tình

huống rủi ro điển hình đối với nhóm KH có liên quan và biện pháp cảnh báo sớm

RRTD với nhóm đối tượng này. Theo luật các TCTD 47/2010/QH ngày 16/6/2010 thì

nhóm KH có liên quan có thể được phân thành các nhóm như;

159

Bảng 4.1: Phân loại nhóm KH theo các mối quan hệ

Nhóm

Phân loại nhóm

Mối quan hệ giữa các KH trong nhóm

Nhóm KH có quan hệ sở hữu

- KH thuộc đối tượng a, b, c, d, e theo qui định trên

(Nhóm Tập đoàn, Công ty mẹ-

- KH A, B, C n m giữ cổ phần của nhau (quan hệ

Công ty con, có quan hệ sở hữu)

góp vốn, mua cổ phần dưới 50%)

Nhóm KH có quan hệ cá nhân

- KH thuộc đối tượng d qui định trên

(không có quan hệ sở hữu)

KH có quan hệ chuỗi

- KH A là đầu ra đầu vào của KH B

Nhóm KH có chung tài sản bảo

- KH A có chung tài sản bảo đảm với KH B

đảm

- KH A có nguồn trả nợ từ nguồn thu cua KH B. KH

Nhóm KH cùng nguồn trả nợ

A, KH B có nguồn trả nợ từ nguồn thu công ty C hoặc cá

nhân D

Nguồn: Tác giả tự tập hợp Một KH có thể thuộc một hoặc nhiều nhóm khác nhau: KH A có thể thuộc

nhóm KH công ty A-B-C Nhóm quan hệ sở hữu đồng thời thuộc Nhóm Công ty A-

D- E Nhóm quan hệ chung tài sản

Một Nhóm KH có thể được phân vào nhiều tính chất quan hệ: Nhóm KH Công

ty A- B- C có quan hệ sở hữu bao gồm KH A, B, C , đồng thời thuộc nhóm KH có

quan hệ chuỗi KH A, B, C là đầu ra đầu vào của nhau .

Các rủi ro đối với việc cấp tín dụng cho KH và người có liên quan

i Rủi ro xuất phát từ đặc thù Nhóm KH

Mất khả năng thu hồi đối với cả Nhóm KH: Khi một KH trong nhóm liên quan

quan hệ chuỗi, cùng nguồn trả nợ, quan hệ cá nhân… có dấu hiệu khó khăn hoặc phá

sản s ảnh hưởng đến các KH khác, thậm chí đến tình trạng đổ vỡ dây chuyền, lúc này

cả Nhóm KH s cùng mất khả năng trả nợ Ngân hàng.

Không nhận được hợp tác từ Nhóm KH khi thay đổi người đại diện: Nhóm KH

đặc biệt là Nhóm KH có quan hệ sở hữu thường xảy ra tình trạng sát nhập, thay đổi

thành viên người điều hành người đại diện…Trong trường hợp này, doanh nghiệp mới

sau sát nhập , người điều hành đại diện mới thường có xu hướng từ chối, đùn đẩy

trách nhiệm hoặc không hợp tác thanh toán đối với các khoản tín dụng do doanh

nghiệp người đại diện cũ ký kết.

ii Rủi ro xuất phát từ Nhóm KH

160

Ngoài các RRTD có thể gặp phải như cho vay đối với một KH thông thường,

TCTD có thể gặp phải các rủi ro khi cấp tín dụng đối với một Nhóm KH như sau:

Nhóm KH sử dụng tiền lòng vòng:

+ Nhóm KH sử dụng nguồn tiền được TCTD tài trợ hoặc nguồn tiền về từ

phương án kinh doanh để cho vay lại trong nhóm, lúc này TCTD phải đối mặt với rủi

ro không kiểm soát được dòng tiền giải ngân và dòng tiền từ phương án tài trợ để thu

hồi nợ

+ Các công ty trong nhóm tự thỏa thuận để chuyển tiền về tài khoản của nhau

tại TCTD khác hay thanh toán trực tiếp cho nhau bằng tiền mặt để sử dụng vào mục

đích khác trả nợ TCTD khác hoặc Doanh nghiệp cá nhân khác, đầu tư bất động

sản… , dẫn đến tình trạng Nhóm KH không có/không đủ nguồn trả nợ Ngân hàng khi

đến hạn.

Có khả năng mất vốn cao: Các công ty trong Nhóm KH bán hàng lòng vòng cho

nhau, tạo hồ sơ hàng hóa “ảo”, sau đó sử dụng hồ sơ này làm tài sản tài sản thế chấp vay

vốn các ngân hàng. Hoặc, Nhóm KH cấu kết, ký Biên bản khống xác nhận công nợ khai

tăng giá trị khoản thu so với thực tế tài sản bảo đảm thế chấp tại các TCTD. Khi rủi ro phát

sinh TCTD không có tài sản bảo đảm để xử lý hoặc giá trị xử lý tài sản bảo đảm không đủ

để thu hồi nợ.

Mất thời gian xử lý các tranh chấp phát sinh: Người đại diện theo pháp luật của

các KH thường kiêm nhiệm và sở hữu chéo giữa các Công ty trong nhóm, nên KH có

thể lợi dụng điều này để sử dụng các biên bản họp hội đồng không đầy đủ tính pháp

lý giấy ủy quyền cho người đại diện không đủ thẩm quyền theo qui định nội bộ của

KH để ký kết vay vốn, dẫn đến tình trạng TCTD không đủ cơ sở pháp lý để xử lý nợ

khi rủi ro phát sinh

iii Rủi ro xuất phát từ phía các TCTD

nh hưởng đến giới hạn an toàn theo qui định nội bộ của TCTD và qui định của

NHNN: Việc tập trung cấp tín dụng cho Nhóm KH trong nhóm hay giữa các nhóm,

hoặc không sát sao trong công tác giám sát, quản lý các giới hạn an toàn; có thể dẫn

đến tình trạng TCTD không tuân thủ qui định nội bộ NHNN do vượt các chỉ tiêu giới

hạn giới hạn cấp tín dụng đối với một KH một nhóm KH…

161

TCTD tài trợ các phương án “ảo” do thẩm định không kỹ: tổ chức tài chính phải

đối mặt với rủi ro trong trường hợp thẩm định không kĩ hoặc cán bộ tín dụng chưa có

nhiều kinh nghiệm thẩm định nhóm KH không kinh doanh thực sự mà mua bán lòng

vòng hoặc xuất hóa đơn khống cho nhau làm tăng giá trị doanh thu. Theo đó dẫn đến

rủi ro cho TCTD như:

+ KH sử dụng vốn sai mục đích, không tạo ra doanh thu cho phương án TCTD

tài trợ;

+ TCTD gặp rủi ro không có tài sản bảo đảm để xử lý hoặc giá trị tài sản bảo

đảm không đủ thu hồi nợ khi thực hiện tài trợ căn cứ trên khoản phải thu, doanh thu

“ảo” này.

TCTD gặp khó khăn khi xử lý Nhóm KH do không quản lý tập trung theo nhóm

tại cùng một đơn vị kinh doanh và hoặc không thống nhất nguyên t c quản lý đối với

đơn vị có liên quan:

+ Việc cấp tín dụng nhưng không quản lý tập trung tại một đơn vị kinh doanh

và hoặc thông tin về nhóm KH không được theo dõi, cập nhật thường xuyên để

cung cấp tới các đơn vị kinh doanh dẫn đến khó khăn từ khâu tiếp cận tạo dựng

mối quan hệ và qui hoạch hạn mức theo nhóm đến giai đoạn xử lý nợ đối với nhóm

KH nếu phát sinh .

+ Đặc biệt, trong trường hợp Nhóm KH có chung tài sản bảo đảm cho nhiều

khoản vay tại các TCTD hoặc chi nhánh của cùng một TCTD, công tác xử lý nợ nếu

có đối với nhóm KH s rất phức tạp do khó đạt được thỏa thuận trong việc xử lý tài

sản bảo đảm để thu hồi nợ.

Với những RRTD đặc trưng của nhóm KH có liên quan, dựa trên phân tích của

các chuyên gia thì nghiên cứu sinh đề xuất bộ chỉ tiêu cảnh báo sớm RRTD đối với

nhóm KH có liên quan cần bao gồm những chỉ tiêu sau: i Chỉ tiêu giúp nhận diện

nhóm KH có liên quan; (ii) Nhóm chỉ tiêu giúp nhận diện những rủi ro của nhóm KH

có liên quan như sau:

162

Hình 4.1: Hệ thống chỉ tiêu cảnh báo sớm RRTD đối với nhóm KH

có liên quan

Nguồn: Đề xuất của tác giả

- Chỉ tiêu giúp nhận diện nhóm KH có liên quan: cần có các chỉ tiêu để xác định

nhóm KH có liên quan thông qua quan hệ sở hữu, quan hệ cá nhân, quan hệ chuỗi,

nhóm KH có chung TSBĐ, nhóm KH có chung nguồn trả nợ…

- Chỉ tiêu giúp nhận diện rủi ro của nhóm KH có liên quan: kết quả giám sát sau

cho vay và cảnh báo sớm RRTD của từng KH riêng lẻ trong nhóm, thông tin từ ác thay

đổi quan trọng trong quyền sở hữu, quan hệ chuỗi, tài sản bảo đảm, nguồn trả nợ của

từng KH riêng lẻ có tác động đến RRTD của nhóm KH có liên quan.

Để có thông tin về các chỉ tiêu cảnh báo sớm đối với nhóm KH có liên quan như

trên thì các thông tin về: thành phần ban quản lý, ban kiểm soát, hội đồng quản trị của

từng KH riêng lẻ cũng như tỷ lệ sở hữu và các biến động về các thông tin này cần được

NHTM cập nhật thường xuyên lên hệ thống quản lý. Bên cạnh đó, các thông tin về mục

đích sử dụng vốn, thay đổi ngành nghề kinh doanh, đối tác kinh doanh và biến động

dòng tiền cũng là những yếu tố quan trọng cần được theo dõi thường xuyên để đưa ra

các dấu hiệu cảnh báo sớm. Cuối cùng, các biến động về yếu tố vĩ mô cũng có thể tác

động đến RRTD của nhóm KH liên quan như: thay đổi chính sách pháp luật của nhà

163

nước, biến động về môi trường kinh tế, hay yếu tố xã hội công nghệ cũng cần phân tích

4.2.1.3 Hoàn thiện phương pháp đo lường rủi ro tín dụng

để đánh giá tác động đến khả năng trả nợ và RRTD của nhóm KH liên quan.

Đa số các NHTM Việt Nam mới chỉ dừng lại ở việc tính tổn thất trong dự tính,

và chủ yếu mới chỉ dựa trên phương pháp định tính chứ chưa phải phương pháp định

lượng dẫn đến hiệu quả cảnh báo sớm chưa cao. Cách làm này phụ thuộc rất nhiều vào

vào quan điểm chủ quan của nhân viên tín dụng, do đó các ngân hàng phải đối mặt với

rất nhiều rủi ro bởi trình độ thẩm định của nhân viên còn hạn chế, nhân viên có thể

thông đồng với KH để nâng hạng tín dụng… Do vậy, để nâng cao hiệu quả cảnh báo

sớm RRTD thì việc ứng dụng các mô hình định lượng là hết sức cần thiết. Nghiên cứu

này đã kế thừa các nghiên cứu trước đó và xây dựng hai mô hình định lượng để cảnh

báo sớm RRTD cho KHCN và KHDN với mức độ dự đoán đúng của hai mô hình đều

rất cao. Cụ thể với KHCN mô hình phân tích phân biệt đã dự đoán đúng hơn 80% khả

năng KH có nguy cơ rủi ro một cách chính xác, đối với KHDN mô hình hồi quy Logit

cũng dự báo đúng hơn 70% trường hợp KH có rủi ro. Điều đó cho thấy, các NHTM cần

hoàn thiện phương pháp đo lường RRTD theo phương pháp định lượng, để tăng tính

khách quan và hiệu quả cảnh báo sớm RRTD. Tuy nhiên, mỗi ngân hàng có khẩu vị rủi

ro và đặc trưng hoạt động riêng, nên cần nghiên cứu để tự xây dựng mô hình với từng

đối tượng KH trong từng giai đoạn cho phù hợp.

4.2.2 Nhóm giải pháp về hoàn thiện các điều kiện

4.2.2.1. Hoàn thiện điều kiện pháp lý và cơ cấu tổ chức

Thứ nhất, đối với nhóm các NHTM chưa triển khai hệ thống cảnh báo sớm

RRTD cần xây dựng và ban hành các qui định cụ thể về xây dựng hệ thống cảnh báo

sớm RRTD. Văn bản hoá các qui định, qui chế, qui trình hướng dẫn triển khai cụ thể

đến các bộ phận có liên quan để thực hiện đồng bộ, hiệu quả công tác xây dựng hệ

thống cảnh báo sớm RRTD. Đối với nhóm NHTM đã công bố hoàn thành toàn bộ hoặc

một phần thì cần có cơ chế thanh kiểm tra định kì, đột xuất để đánh giá hiệu quả của hệ

thống cảnh báo sớm RRTD, từ đó hoàn thiện các văn bản pháp lý liên quan theo hướng

đồng bộ, hiệu quả hơn. Bên cạnh đó các NHTM Việt Nam cần văn bản hóa các thủ tục

và quy trình xác định, thu thập và xử lý dữ liệu về tổn thất nội bộ, bao gồm cả ngưỡng

tối thiểu. Các văn bản về chính sách, thủ tục xác định và báo cáo những sự kiện về rủi

164

ro nói chung, trong đó có RRTD cần được xem là điểm khởi đầu trong việc quản lý

hoạt động thu thập dữ liệu và chất lượng dữ liệu.

Thứ hai, các NHTM cần nhanh chóng xây kiện toàn cơ cấu tổ chức trong hoạt

động quản trị rủi ro trong kinh doanh ngân hàng nói riêng và quản trị RRTD nói chung.

Cần thiết phải có bộ phận chuyên trách về cảnh báo sớm RRTD trong cơ cấu tổ chức

của bộ phận quản trị RRTD. Bộ phận này s chịu trách nhiệm xây dựng hệ thống chỉ

tiêu cảnh báo sớm RRTD, lựa chọn phương pháp cảnh báo sớm RRTD, xây dựng mô

hình cảnh báo sớm RRTD phù hợp nhất với đặc điểm môi trường kinh doanh, khẩu vị

rủi ro và đặc điểm từng phân khúc KH và sản phẩm mà ngân hàng mình cung cấp. Bộ

phận này cần có chức năng độc lập, phân tách quyền hạn và trách nhiệm với các bộ

4.2.2.2. Hoàn thiện hệ thống thông tin và cơ sở hạ tầng

phận kinh doanh nhằm đảm bảo tính khách quan của các kết quả đo lường rủi ro.

Thứ nhất, các NHTM Việt Nam cần thiết lập cơ sở vật chất hạ tầng hiệu quả cho

việc thu thập, tổng hợp dữ liệu và báo cáo rủi ro. Hoạt động thu thập dữ liệu tổn thất

không chỉ là tuân thủ mà còn phục vụ mục tiêu đưa ra các dự báo khả năng xảy ra tổn

thất, cũng như ước tính mức độ ảnh hưởng của tổn thất.

Hiện nay không nhiều các NHTM thương mại ở Việt Nam đã xây dựng

thành công phần mềm cảnh báo sớm RRTD, mặc dù đây là công cụ về cơ sở hạ

tầng và công nghệ thông tin vô cùng thiết yếu, có vai trò hỗ trợ quan trọng trong

việc thu thập cơ cở dữ liệu, nhận biết dấu hiệu cảnh báo sớm RRTD, tính toán và

đánh giá các chỉ tiêu cảnh báo sớm RRTD, hỗ trợ đơn vị kinh doanh điều tra cảnh

báo sớm RRTD đối với các KH trong danh sách cảnh báo, đề xuất giải pháp ứng

xử phù hợp…Do vậy, giải pháp cần thiết để xây dựng và hoàn thiện hệ thống cảnh

báo sớm RRTD tại các NHTM Việt Nam là xây dựng và hoàn thiện phần mềm

cảnh báo sớm RRTD. Hệ thống này s được phân quyền cho khối công nghệ thông

tin, khối chuyên viên giám sát tín dụng, lãnh đạo giám sát tín dụng, Nh ân

viên chuyên viên quan hệ KH tại đơn vị kinh doanh, cán bộ đơn vị kinh doanh từ

cấp kiểm soát trở lên.

Hệ thống phân quyền, vai trò và chức năng cụ thể của các khối tham gia trong

phần mềm cảnh báo sớm được nghiên cứu sinh đề xuất như sau:

165

Hình 4.2: Hệ thống phân quyền trên phần mềm cảnh báo sớm RRTD

Nguồn: Đề xuất của tác giả

Mỗi người sử dụng s được cấp một tài khoản trên hệ thống cảnh báo sớm

RRTD với các chức năng tương ứng phù hợp để thực hiện vai trò đã được quy định cho

từng đối tượng cụ thể, NHTM cần yêu cầu người sử dụng có trách nhiệm bảo mật tài

khoản đã được cung cấp và chỉ sử dụng tài khoản để truy cập phần mềm này phục vụ

cho công việc trong phạm vi, trách nhiệm của mình.

Thứ hai, tăng cường phối hợp thông tin giữa các ngân hàng và sử dụng các sản

phẩm cảnh báo sớm của CIC

Nếu chỉ theo dõi KH trên hệ thống cảnh báo sớm RRTD nội bộ tại mỗi Ngân

hàng thì s là chưa đủ mà cần có sự phối hợp thông tin giữa các NHTM với nhau và sử

dụng các sản phẩm cảnh báo sớm của trung tâm thông tin CIC

Trung tâm thông tin tín dụng CIC hiện đang cung cấp cho các TCTD các sản

phẩm cảnh báo sớm RRTD làm cơ sở để các NHTM quản lý RRTD của KH. Nghiên

cứu sinh đề xuất các NHTM cần triển khai biện pháp sử dụng các sản phẩm thuộc gói

sản phẩm cảnh báo sớm của CIC đang cung cấp (theo phụ lục 06).

166

4.2.2.3. Hoàn thiện điều kiện nguồn nhân lực

Các NHTM Việt Nam cần tập trung phát triển nguồn nhân lực. Để đáp ứng các

yêu cầu mới, hướng tới chuẩn mực quản trị RRTD theo Basel 2, các cán bộ thực hiện

đo lường rủi ro, cảnh báo sớm RRTD phải chuyên sâu nghiệp vụ và am hiểu toán kinh

tế để ứng dụng các mô hình kinh tế lượng trong phân tích, quản lý rủi ro.

Thực trạng về nhân sự của các NHTM Việt Nam hiện nay chưa thực sự đáp ứng

được yêu cầu đặt ra. Ngoài hai Ngân hàng Vietcombank và Vietinbank đã tự xây dựng

và triển khai được hệ thống cảnh báo sớm RRTD, các NHTM khác hoặc đang thuê

chuyên gia tư vấn nước ngoài, hoặc chưa xây dựng được hệ thống này. Điều này dẫn

đến tốn thời gian và chi phí của ngân hàng, hơn nữa hệ thống cảnh báo sớm RRTD

chưa thực sự phát huy hiệu quả do nhiều điểm chưa phù hợp với môi trường kinh

doanh của Việt Nam, cán bộ thực thi chưa am hiểu mô hình và chưa làm chủ được hệ

thống cảnh báo sớm RRTD.

Chính vì vậy, các NHTM Việt Nam cần chú trọng bồi dưỡng và nâng cao trình

nguồn nhân lực để có thể chủ động thực hiện được việc xây dựng và triển khai hệ thống

cảnh báo sớm RRTD phù hợp với ngân hàng của mình.

Xây dựng hiệu quả hệ thống quản trị nguồn nhân lực chất lượng cao:

Thứ nhất, đối với tuyển dụng và lựa chọn: việc tuyển dụng, lựa chọn cần

phối hợp chặt ch với các cơ sở đào tạo để giảm tối đa chi phí và thời gian tuyển

chọn trên cơ sở có tham chiếu các dự báo về nguồn nhân lực.

Thứ hai, đối với phân công công việc và đánh giá kết quả: các bản mô tả công

việc và tiêu chuẩn chức danh cần được xây dựng cụ thể tối đa với các yếu tố định

lượng. Việc xây dựng này nên thực hiện tương tự như mô hình chấm điểm tín dụng mà

các ngân hàng đang sử dụng để thẩm định các khoản tín dụng. Từ đó việc đánh giá

nhân lực có thể dựa vào điểm số và đánh giá định tính của người lãnh đạo trực tiếp.

Nguyên t c đánh giá nhân lực cần luôn đảm bảo nguyên t c công khai, chính xác, dân

chủ và toàn diện.

Thứ ba, đối với đào tạo và phát triển: các NHTM Việt Nam nên học tập mô

hình của các NHTM Mỹ. Theo đó, ngay khi tuyển dụng, các ngân hàng đã xác định rõ

năng lực của cán bộ để hướng cán bộ vào các vị trí cụ thể như chuyên viên, chuyên gia

167

nghiên cứu, quản lý... Từ đó, ngân hàng s thiết kế chương trình đào tạo phù hợp cho

từng vị trí như chuyên làm nhiệm vụ của nhân viên ngân hàng, chuyên gia nghiên cứu

rủi ro và đặc biệt đào tạo những người chuyên quản lý. Điều này s tránh được tình

trạng phát triển theo lối mòn của Việt Nam là những cán bộ giỏi nghiệp vụ s trở thành

lãnh đạo.

Thứ tư, đối với cơ chế khen thưởng và khuyến khích: nên chuyển đổi toàn bộ

sang cơ chế trả lương theo năng lực. Theo đó, kết quả chấm điểm công việc cộng với

đánh giá định tính của lãnh đạo trực tiếp s là cơ sở chính để xác định mức thu nhập

của các cán bộ. Bên cạnh đó, nên để thang lương của các chuyên gia cao cấp tương

đương với mức thu nhập của cấp quản lý nhằm tạo sự công bằng trong đánh giá công

việc qua lương thưởng.

Như vậy, có thể thấy rằng việc xây dựng chiến lược phát triển nguồn nhân lực

chất lượng cao là điều hết sức cấp thiết. Tuy nhiên, để thực hiện việc xây dựng và sau

đó là triển khai hiệu quả nguồn nhân lực này, cần có sự phối hợp giữa cơ quan quản lý

vĩ mô là NHNN, Bộ Giáo dục và Đào tạo, người sử dụng nguồn nhân lực và các trường

đại học - nơi cung cấp nguồn nhân lực.

4.3. Một số kiến nghị với Ngân hàng nhà nƣớc và các cơ quan quản lý

Thứ nhất, NHNN cần có quy định cụ thể khuyến khích các NHTM sử dụng

phương pháp thống kê để lượng hóa RRTD theo thông lệ quốc tế, làm cơ sở để xây

dựng hệ thống cảnh báo sớm RRTD hiệu quả. Việc này s giúp đảm bảo hoạt động của

các NHTM Việt Nam chuyên nghiệp, an toàn hơn

Thứ hai, NHNN và các cơ quan quản lý nhanh chóng hoàn thiện khung pháp lý

đầy đủ hơn để các NHTM có căn cứ thực hiện xếp hạng tín dụng nội bộ hướng theo

thông lệ quốc tế; đưa ra một lộ trình rõ ràng đảm bảo tất cả các NHTM đều phải tuân

thủ, qua đó thúc đẩy công tác hoàn thiện hệ thống xếp hạng tín dụng nội bộ và cảnh báo

sớm RRTD tại mỗi ngân hàng.

Thứ ba, nhà nước nên có các chính sách b t buộc các doanh nghiệp kể cả

doanh nghiệp chưa niêm yết công khai hóa thông tin. Việc này không những buộc

doanh nghiệp phải hoạt động minh bạch mà còn giúp công tác quản lý hiệu quả hơn.

168

Nhờ đó các NHTM cũng có được nguồn thông tin để đảm bảo việc đo lường RRTD,

cảnh báo sớm RRTD được chính xác.

Thứ tư, nhà nước nên có chính sách khuyến khích thành lập các đơn vị xếp hạng

tín dụng độc lập làm cơ sở tham chiếu chung trong công tác đánh giá rủi ro KH của các

NHTM. Các công ty này cũng có thể thu thập và chào bán các kho dữ liệu cho các

NHTM để các NHTM có thể lượng hóa RRTD một cách hiệu quả.

Thứ năm, nhà nước cần có cơ chế đảm bảo sự hoạt động hiệu quả của thị trường

chứng khoán, từ đó, các NHTM có thể sử dụng các mức giá cổ phiếu cũng như biến

động giá cổ phiếu có thể được sử dụng trong việc lượng hóa rủi ro vỡ nợ của các doanh

nghiệp và cảnh báo sớm RRTD tại các NHTM.

Kết luận chƣơng 4

Trên cơ sở định hướng công tác QTRRTD và cảnh báo sớm RRTD, NCS đề

xuất hệ thống giải pháp nhằm hoàn thiện hệ thống cảnh báo sớm RRTD tại các NHTM

VIệt Nam. Điểm mới của Chương 4 là NCS đề xuất các giải pháp có tính hệ thống từ

nhóm giải pháp nhằm hoàn thiện cấu đến trúc hệ thống cảnh báo sớm RRTD đến nhóm

giải pháp về hoàn thiện các điều kiện. Các giải pháp được đề xuất trên cơ sở các lập

luận có cơ sở khoa học, bám sát chủ trương của NHNN và các kết quả nghiên cứu ở

chương 2 và chương 3. Đồng thời NCS đã đề xuất các kiến nghị với Chính Phủ, NHNN

nhằm tạo môi trường kinh doanh và hành lang pháp lý thuận lợi cũng như hỗ trợ các

NHTM trong quá trình triển khai thực hiện để đảm bảo tính khả thi của giải pháp.

169

KẾT LUẬN CHUNG

RRTD luôn là rủi ro lớn mà các NHTM phải đối mặt trong hoạt động kinh

doanh của mình, nó gây ra những tổn thất lớn cho ngân hàng, cho hệ thống ngân hàng

và cho nền kinh tế. Để có thể hạn chế tổn thất xảy ra thì xây dựng áp dụng hệ thống

cảnh báo sớm RRTD là vô cùng quang trọng trong chiến lược quản trị RRTD. Luận án

nghiên cứu hệ thống cảnh báo sớm RRTD với mục tiêu đưa ra đánh giá thực trạng và

đưa ra giải pháp hoàn thiện hệ thống cảnh báo sớm RRTD tại các NHTM Việt Nam.

Trong phạm vi 170 trang, luận án đã giải quyết được các mục tiêu cơ bản đặt ra

bao gồm:

Thứ nhất, chương 1 đã phân tích và làm rõ và hệ thống hoá những vấn đề cơ bản

về QTRRTD và hệ thống cảnh báo sớm RRTD. Luận án cũng đã phân tích, làm rõ khái

niệm, mục đích, nguyên t c, cấu trúc, quy trình và các điều kiện để xây dựng và áp

dụng hệ thống cảnh báo sớm RRTD. Bên cạnh đó, luận án đã nghiên cứu bài học kinh

nghiệm tại các NHTM Mỹ và Séc, trên cơ sở đó rút ra 4 bài học kinh nghiệm cho các

NHTM Việt Nam.

Thứ hai, chương 2 đã kết hợp kết quả khảo sát bằng bảng hỏi, phỏng vấn chuyên

gia và thu thập dữ liệu thứ cấp giai đoạn 2016-2018 tại 35 NHTM Việt Nam về các vấn

đề: cấu trúc hệ thống cảnh báo sớm, điều kiện xây dựng và triển khai hệ thống cảnh báo

sớm RRTD, thực trạng triển khai hệ thống cảnh báo sớm RRTD. Từ đó đánh giá các

kết quả đạt được, các hạn chế và nguyên nhân các hạn chế của hệ thống cảnh báo sớm

RRTD tại các NHTM Việt Nam.

Thứ ba, chương 3 của luận án đã kế thừa các nghiên cứu trước đó và xây dựng

hai mô hình định lượng để cảnh báo sớm RRTD cho KHCN và KHDN là mô hình phân

tích phân biệt và mô hình Logit, dựa trên mẫu gồm 500 KHCN và 257 KHDN vay vốn

tại 10 NHTM Việt Nam. Kết quả mô hình đã đạt được mức độ dự đoán đúng của hai

mô hình đều rất cao. Đây có thể là tài liệu tham khảo tốt để các NHTM Việt Nam tự

phát triển mô hình cảnh báo sớm trong hệ thống cảnh báo sớm RRTD tại ngân hàng

của mình.

Thứ tư, chương 4 của luận án đề xuất các giải pháp hoàn thiện hệ thống cảnh

báo sớm RRTD có tính hệ thống từ nhóm giải pháp nhằm hoàn thiện trúc hệ thống cảnh

170

báo sớm RRTD đến nhóm giải pháp về hoàn thiện các điều kiện để áp dụng hệ thống

này trong thực tế. Dựa trên những phân tích cả lý luận và thực tiễn, NCS đã đề xuất hệ

thống chỉ tiêu cảnh báo sớm RRTD đối với nhóm khách hàng có liên quan đồng thời đề

xuất hệ thống phân quyền trên phần mềm hệ thống cảnh báo sớm RRTD cho các đơn vị

thực hiện và có liên quan đến công tác này tại các NHTM Việt Nam. Đây có thể coi là

một trong những đóng góp mới của luận án.

Đồng thời luận án đã đề xuất các kiến nghị với Chính Phủ, NHNN nhằm tạo

môi trường kinh doanh và hành lang pháp lý thuận lợi cũng như hỗ trợ các NHTM

trong quá trình triển khai thực hiện để đảm bảo tính khả thi của giải pháp.

Với những kết quả đạt được của nghiên cứu, tác giả mong muốn s góp phần

tích cực trong việc hoàn thiện công tác quản trị RRTD nói chung và công tác cảnh báo

sớm RRTD nói riêng tại các NHTM Việt Nam.

171

MỘT SỐ HẠN CHẾ CỦA LUẬN ÁN

Do vấn đề RRTD, quản trị RRTD và thông tin KH vay vốn tại các NHTM là

vấn đề bảo mật, nên nguồn dữ liệu thu thập được chủ yếu là dữ liệu sơ cấp từ các bảng

hỏi thông qua các cuộc khảo sát, hơn nữa số lượng mẫu thu thập được đối với cả bảng

hỏi về thông tin KH vay vốn và đánh giá của chuyên viên QTRRTD tại các NHTM còn

ít so với tổng thể. Đó có thể là một nguyên nhân có thể dẫn đến kết quả mà nghiên cứu

đưa ra còn hạn chế.

Luận án đưa ra đề xuất các NHTM Việt Nam cần xây dựng hệ thống chỉ tiêu

cảnh báo sớm RRTD cho từng ngành, từng lĩnh vực. Tuy nhiên nghiên cứu sinh chưa

đủ cơ sở dữ liệu, thông tin để đề xuất hệ thống chỉ tiêu này cho từng ngành hay từng

lĩnh vực cho vay của các NHTM, cũng như chưa đủ cơ sở để chỉ ra trọng số cho tất cả

các chỉ tiêu trong hệ thống chỉ tiêu cảnh báo sớm RRTD. Đây là một nội dung NCS xác

định cần tiếp tục nghiên cứu trong tương lai.

172

CÁC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ Đ CÔNG BỐ LIÊN

QUAN ĐẾN ĐỀ TÀI LUẬN ÁN

1. Đỗ Thị Thu Hà & Nguyễn Thị Minh Nguyệt 2013 , „Khả năng xử lý nợ xấu

của các Ngân hàng thương mại Việt Nam hiện nay‟, Tạp chí quản lý kinh tế, số 52,

trang 70-80

2. Đỗ Thị Thu Hà & Phạm Thu Thuỷ 2013 , „Xây dựng mô hình đo lường

RRTD theo phương pháp thống kê tại các NHTM Việt Nam‟, Tạp chí Khoa học & Đào

tạo Ngân hàng,số 135, trang 46-53.

3. Đỗ Thị Thu Hà & Nguyễn Thị Quỳnh Hương 2013 , „Vai trò của kiểm toán

nội bộ trong quản lý rủi ro‟, Tạp chí khoa học kiểm toán, Số 69, Trang 38-47

4. Đỗ Thị Thu Hà & Nguyễn Thị Quỳnh Hương 2013 , „Rủi ro đạo đức- Vấn

đề cần giải quyết trong hệ thống Ngân hàng thương mại Việt Nam‟, Tạp chí khoa học

kiểm toán, Số 72, Trang 29-31

5. Đỗ Thị Thu Hà, Nguyễn Thuỳ Dương & Nguyễn Bích Ngọc 2017 , „The

application of Discriminant in Managing Credit Risk for Consumer Loan in

Vietnamese Comercial Bank‟, Asian Social Science, tập 13 quyển 2, trang 176-187

6. Đỗ Thị Thu Hà 2019 , Cảnh báo sớm rủi ro tín dụng đối với việc cấp tín

dụng cho khách hàng và người có liên quan của các ngân hàng thương mại Việt Nam,

Tạp chí Khoa học & Đào tạo Ngân hàng, số 208, trang 24-32

7. Đỗ Thị Thu Hà, Nguyễn Thuỳ Dương & Nguyễn Bích Ngọc 2019 , „Early

Warning System for Credit Risk by statistic method for Consumer Loans in

Vietnamese Commercial Banks‟, Hội thảo quốc tế lần thứ nhất về Ngân hàng tài chính,

trang 296-398

8. Tô Ngọc Hưng & các cộng sự 2014 , „Thúc đẩy tăng trưởng tín dụng trong

bối cảnh suy thoái kinh tế‟, đề tài nghiên cứu khoa học hợp tác giữa Học viện Ngân

hàng và Ngân hàng thương mại cổ phần Đầu tư và Phát triển Việt Nam

TÀI LIỆU THAM KHẢO

Tài liệu tham khảo tiếng Anh:

1. Abdou, H. A., & Pointon, J. (2011), „Credit scoring, statistical techniques and

evaluation criteria: A review of the literature. Intelligent Systems in

Accounting‟, Finance and Management, 18(2-3), 59-88.

http://dx.doi.org/10.1002/isaf.325

2. Altman, E. (1997), „ZETA analysis: A New Model to Identify Bankruptcy Risk

of Corporation‟, Journal of Banking and Finance, 1, 29- 54.

3. Altman, E.& Kishore, V. (1997), „Defaults and returns on high yield bonds:

Analysis through 1996 Special Annual Report‟, Stern School of Business.

4. Altman, E. (1998), „Credit risk measurement: development over the last 20

years‟,Journal of Banking and Finance, 21, 1721- 1742.

5. Altman, E.& Suggitt, H. J (2000), „Default rates in the syndicated bank loan

market: A mortality analysis‟,Journal of Banking and Finance, 229- 253.

6. Agarwal, S. (2008), „Leaning in the credit card market‟, NBER working paper

series, No. 13822

7. Awh, R. Y. & Waters, D. (1974),„A discriminant analysis of economic,

demographic, and attitudinal characteristics of bank charge – card holders: A

case study‟, The Journal of Finance, 29(3), 973-980.

http://dx.doi.org/10.1111/j.1540-6261.1974.tb01495.x

8. Aziz, A. (1984), „Bankruptcy Prediction: An investigation of cash flowbased

models‟, Ph.d. Dissertation, The University of Texas at Dallas.

9. Ayyagari, M., T. Beck & Demirguc-Kunt, A. (2006), „Small and medium

enterprises across the globe: A new database‟, World Bank Policy Research

Working Paper

10. Accenture (2014), „Effective Warning For Managing Non Performing Assets‟,

https://www.accenture.com/cr-en/~/media/Accenture/Conversion-

Assets/DotCom/Documents/Global/PDF/Industries_6/Accenture-Effective-

Early-Warning-for-Managing-Non-performing-Assets.pdf

11. Basel Committee on Banking Supervision (2000), Basel Committee issues

guidance on credit risk Management and Disclosure

12. Basel Committee on Banking Supervision (2001), Principles for the

Management of Credit Risk

13. Basel Committee on Banking Supervision (2006), Sound credit riskAssessment

and Valuation for Loan.

14. Bartolozzi, E., Garc a-Ergu n, L., Deocon, C., Vasquez, O., & Plaza, F. 2008 ,

„Credit Scoring Modelling for Retail Banking Sector. Oscar Ivan Vasquez &

Fransico Javier Plaza, II Modeling Week‟, Universidad Complutense de

Madrid, 16th–24th June.

15. Beaver, W. (1966), „Financial ratios as predictors of failure, Empirical Research

in Accounting: Selected Studies‟, Supplement to Vol.4, Journal of Accounting

Research, pp. 71-111.

16. Blum, M. (1974), „Failing company discriminant analysis‟, Journal of

Accounting Research, 12(1), 1-25.

17. Black, Fischer and Myron Scholes (1973), „The pricing of options and corporate

liabilities‟, Journal of Political Economy, 637-659.

18. Bernhardsen, E. (2001), „A Model of Bankruptcy Prediction‟, Norges Bank’s

Working Papers

19. Brossard, O., Ducrozet, F.& Rocher, A. (2007), „An Early Warning Model for

EU banks with Detection of the Adverse Selection Effect‟,

https://econpapers.repec.org/paper/grswpegrs/2007-08.htm

20. Banks Slovenija; 2015, „Guidelines for monitoring customers and early

warning systems (EWSs) for increased credit risk‟.

21. Casey, J., Mcgee, E.& Stickney, P. (1986), „Discriminating Between

Recognized and Liquidated Firms in Bankruptcy‟, The Accounting Review, Vol.

LXI, No.2.

22. Chapman, J.M (1990), „Factors Affecting Credit in personal Lending‟, National

Bureau of Economics Research.

23. Crook, J., & Banasik, J. (2004), „Does reject inference really improve the

performance of application scoring models?‟,Journal of Banking and Finance,

28, 857–875.

24. Coyle, B. (2000),„Framework for Credit Risk Management‟,CIB Publishing,

UK.

25. Desai, V. S., Crook, J. N.& Overstreet, G. A. (1996),„A Comparison of Neural

Networks and Linear Scoring Models in the Credit Union

Environment‟,European Journal of Operational Research, 95 (1): 24-37.

http://dx.doi.org/10.1016/0377-2217(95)00246-4

26. Deakin, E., 1972, „A Discriminant Analysis of Predictors of Business Failure‟,

Journal of Accounting Research, Spring, pp. 167-179.

27. Dambolena, Ismael and Joel Shulman (1988), „A primary rule for detecting

bankruptcy: Watch the cash‟, Financial Analysts Journal, 44(5): 74-78.

28. Dmytro, G. & Katerina, V. (2007), „Loan default prediction in Ukrainia Retail

Banking‟, Economic Education and Research Consortium, Working paper No

13/2007

29. Dinh Thi Thanh Huyen& Stefanie Kleimier. (2006), „Credit Scoring for

Vietnam‟s Retail Banking Market: Implementation and Implications for

Transactional versus Relationship Lending‟, Economic Medicine.

30. Detragiache, E. (1999), „Monitoring Banking Sector Fragility: A Multivariate

Logit Approach‟, IMF working paper,

https://www.imf.org/external/pubs/ft/wp/1999/wp99147.pdf

31. Edmister, O. (1972), „An Empirical Test of Financial Ratio Analysis for Small

Business Failure‟, Accounting Research, Spring, pp. 167-179.

32. Elam, R. 1975, „The effect of lease data on the predictive ability of financial

ratios‟, The Accounting Review, January 1975, pp. 25-43.

33. Eisenbeis, R. (1977), „Pitfalls in the application of discriminant analysis in

business, finance, and economics‟, Journal of Finance, pp.55-75.

34. Edison, H. 2003 , „Do indicators of financial crises work? An evaluation of an

early warning system‟, International Journal of Finance and Economics 8(1),

pp.11-53.

35. Edwards, B. 2004 , „Credit management handbook‟, Gower Bublishing,

pp146-158

36. Funda.Y, (2014), „Macroeconomic Modelling of Credit Risk for Banks, 2nd

World Conference on Business‟, Economics and Management, Issues 109,

Volume 8, pp.784–793.

37. Fanning, Kurt M.& Kenneth O. (1994), „A Comparative Analysis of Artificial

Neural Networks Using Financial Distress Prediction, Intelligent Systems in

Accounting’, Finance and ManagementVolume 3, Issue 4

38. Grablowsky, J. B. (1975),„A Behavioral Risk in Consumer Credit‟,The Journal

of Finance, 30(3), 915–916. http://dx.doi.org/10.2307/2326880

39. Greenbaum, S.& Berkovitch, E. (1991), „The Loan Commitment as an Optimal

Financing Contract‟, Cambridge University,

DOI: https://doi.org/10.2307/2331244

40. Hayhoe, C. R., Leach, L., & Turner, P. R. (1999), „Discriminating the number

of credit cards held by college students using credit and money

attitudes‟,Journal of Economic Psychology, 20, 643–656.

41. Hand, D. J., & Henley, W. E. (1997), „Statistical classification methods in

consumer credit scoring: a review‟, Journal of the Royal Statistical Society:

Series A (Statistics in Society), 160(3), 523-541.

http://dx.doi.org/10.1111/j.1467-985X.1997.00078.x

42. Hardle, W., Rouslan A. M.&Schafer, D. (2005), „Predicting bankruptcy with

support vector machines‟, SFB 649 Discussion Paper, 2005-009.

43. Hintze, J. (1998), „NCSS statistical software‟, Kaysville, UT.

44. Halling, M., Hayden, E. (2006), „Bank Failure Prediction: A Two-Step Survival

Time Approach‟, https://papers.ssrn.com/sol3/papers.cfm?abstract_id=904255

45. Hutchison, M.&McDill, K. (1999), „Are All Banking Crises Alike? The

Japanese Experience in International Comparison‟, NBER Working Paper, No.

7253

46. Hoque M, Z.& James, W. 2000, „Loan loss: The Case of Commercial Banks in

Oman‟, Sultan Quaboos University.

47. Honjo, Y.; 2000, „Business failure of new firms: an empirical analysis using a

multiplicative hazards model‟, International Journal of Industrial Organization,

Volume 18, Issue 4, Pages 557-574

48. Kim, Y. S., Sohn, S. Y. (2004), „Managing Loan Customers Using

Misclassification Patterns of Credit Scoring Model‟, Expert Systems with

Applications, 26 (4): 567-573. http://dx.doi.org/10.1016/j.eswa.2003.10.013

49. Jiang, Y. (2009), „Credit scoring model based on the decision tree and the

simulated annealing algorithm‟, In Computer Science and Information

Engineering, 2009 WRI World Congress on (Vol. 4, pp. 18-22). IEEE.

DOI: 10.1109/CSIE.2009.481

50. Kohansal, R.K& Mansoori, H. (2009), Factors Affecting on loan Repayment

Performance of Farmers in Khorasan-Razavi Province or Iran,Working

paperPerdowsi University of Mashhad, Iran

51. Ken, B.&Peter, M. (2016), „Credit Risk Management‟, Edinburgh Business

School, Heriot- Watt University, pp 20-35.

52. Lussier, R. (2005), „A success Versus Failure Prediction Model for the Real

Estate Industry‟, Springfield College, Spring 2005, Vol. 20, No. 1.

53. Lu, Y., Lee, C.& Chang, S. (2008), „Corporate Governance, Quality of Finance

Information, And Macroeconomic Variables on the Prediction Power of

Financial Distress of Listed Companies inTaiwan‟.

54. Li, Z. H. (2005), „Commercial Bank Risk Identification Model and its Empirical

Research‟, Nankai Economic Studies, 2.

55. Luo, Y. (2013), „An analysis of Credit for Commercial Banks In China‟,

http://springerlink.com.library2.smu.ca/handle/01/25223#.XtSyEy09fs0

56. Miller, S. (2012), „Risk Factors for Consumer Loan Defaul: A Censored

Quantile Regression Analysis‟, Working paper University of Illinois.

57. Mahen Priyanka Peiris (2016),„Credit Risk Managemant- EWS Early Warning

System‟,https://www.linkedin.com/pulse/ews-early-warning-system-credit-risk-

management-peiris?trk=portfolio_article-card_title.

58. Michael Strumpf, Christian Schaefle, 2015,„Detecting loan defaults at an early

stage using models of machine intelligence‟,

https://www.analyticsindiamag.com/detecting-loan-defaults-at-an-early-stage-

using-models-of-machine-intelligence/

59. McKinsey & Company 2012 , „First Mover Matters – Building credit

monitoring for competitive advantage‟.

http://www.mckinsey.com/~/media/McKinsey/dotcom/client_service/Risk/Wor

king%20 papers/37Credit_Monitoring_for_Competitive_Advantage.ashx.

60. Martin, Daniel (1977), „Early warning of bank failure: a Logit regression

approach‟, Journal of Banking and Finance, number 1: 249-276.

61. Messier, William and James Hansen (1988), „Inducing rules for expert system

development: An example using default and bankruptcy data‟, Management

Science 34(12): 1403-1415.

62. Mu z cek, P (2012), „Credit Risk Monitoring in the Czech Banking Sector:

Early Warning Model‟, Master Thesis, Charles University in Prague

63. Navra til, V. (1994), „An Introduction to Credit Risk Management‟, Prague:

Management Press. Origin translated from: Price Waterhouse.

64. Orodho, A.J. (2003) Essentials of Educational and Social Science Research

Methods. Mazola Publishers, Nairobi.

65. Ohlson, J. (1980), „Financial Ratios and the probabilistic prediction of

bankruptcy‟, Journal of Accounting Research, 18(1), pp. 109-131.

66. Ozdemir, O. & Boran, L. (2004), „An empirical investigation on consumer

credit default risk‟, Discussion Paper, Turkish Economic Association, 2004/20

67. Thomson, V.& Connor, S. (1991), „The Development of Malaria Early Warning

Systems for Africa‟, DOI: 10.1016/s1471-4922(01)02077-3

68. Tô Minh Thông (2013), „Credit risk management and bad debt controlling case:

Anz Vietnam‟, Thesis Degree Programme in International Business, Lahti

University of Applied Sciences.

69. Treacy, W. F.& Carey, M. (1999), “Credit risk rating systems at large US

banks”, Journal of Banking and Finance, Volume 24, Issues 1-2, pp 167-201

70. Tam, Kar Yan & Melody Kiang (1992), „Managerial Application of Neural

Networks: the Case of Bank Failure Prediction‟, Management Science, 38: 926-

947.

71. Rock, A. (1984), „Sure ways to score with lender‟, Money.

72. Roberts, J. A., & Sepulveda, M. C. J. (1999), „Demographics and money

attitudes: A test of Yamauchi and Templer‟s 1982 money attitude scale in

Mexico‟ ,Personality and Individual Differences, 27, 19–35.

73. Stiglitz, J. (1990), „Peer monitoring and credit markets‟,World Bank Economic

Review 4, 351-66.

74. Sinkey, J. F. (1998), „Commercial Bank Management in the Financial Services‟,

Industry, 5th. New Yersey: Prentice-Hall, c1988.

75. Shin, K. S., & Han, I. (2001), „A case-based approach using inductive indexing

for corporate bond rating‟, Decision Support Systems, 32(1), 41-52.

http://dx.doi.org/10.1016/S0167-9236(01)00099-9

76. Skogsvik, Kenth (1990), „Current cost accounting ratios as predictors of

business failure: The Swedish case‟,Journal of Business Finance & Accounting,

17(1): 137-160.

77. Stewart, D. W., & Kamins, M. A. (1993), „Secondary research: Information

sources and methods‟ (2nd ed.). London: Sage.

78. Wang, C.F., and Zhang, W. (2011), „Study of corporate credit risk prediction

based on integrating boosting and random subspace‟, Engineering Theory and

Practice, 9.

79. Wilson, J. (2008), „Essentials of Business Research: A Guide to Doing Your

Research Project‟, London, United Kingdom: Sage Publications Ltd.

80. West, D. (2000), „Neural network credit scoring models‟, Computers &

Operations Research, 27(11–12), 1131–1152. http://dx.doi.org/10.1016/S0305-

0548(99)00149-5

81. Wang, Y. (2013), „Credit risk management in rural commercial banks in China‟,

Theris accounting, financial services and law

82. Weber, R.& Musshoff, O. (2012), „Price Volatility and farm income

stabilization: Modelling Outcomes and Assessing Market and Policy Based

Responses‟ ,Working paper. Department Bank Germany.

83. Wiginton, J. C. (1980), „A Note on the Comparison of Logit and Discriminant

Models of Consumer Credit Behavior‟, Journal of Financial and Quantitative

Analysis, 15(3), 757-770. http://dx.doi.org/10.2307/2330408

84. Westgaard, Sjur and Nico van der Wijst (2001), „Default probabilities in a

corporate bank portfolio: A logistic model approach‟, European Journal of

Operational Research, 135 (2001) 338-349.

85. Wanida, S., Suluck, P. (2012), „Default Prediction for Small-Medium

Enterprises in Emerging Market: Evidence from Thailand”, Seoul Journal of

Business, Volume 18, Number 2

86. Yap, Josef T., 1998,„Developing an Early Warning System for BOP and

Financial Crises: The Case of the Philippines‟,Discussion Papers, DP 1998-40,

Philippine Institute for Development Studies.

87. Zavgren, Christine, (1983),„The prediction of corporate failure: the state of the

art‟, Journal of Accounting Literature, number 2: 1-38.

88. Zhang, Guoqiang, Michael Hu, Eddy Patuwo& Daniel Indro (1999),„Artificial

neural networks in bankruptcy prediction: General framework and cross-

validation analysis‟,European Journal of Operational Research 116 (1999) 16-

32.

89. Zmijewski, Mark E. (1984), „Methodological issues related to the estimation of

financial distress prediction models‟, Journal of Accounting Research, 20: 59-

82.

90. Zribi. N. and Boujelbène 2011 , “The factors influencing bank credit risk: The

case of Tunisia”, Journal of Accounting and Taxation, Issuses 3, Volume 4, pp.

70-78.

91. Zhi-Yuan Yu, Shu-Fang Zhao (2012), „Bank Credit Risk Management Early

Warning and Decision-making based‟.

Tài liệu tham khảo tiếng Việt:

1. Dương Ngọc Hào (2015), „Giải pháp cơ bản nhằm hoàn thiện quản trị RRTD tại

các ngân hàng thương mại Việt Nam‟, luận án Tiến sỹ kinh tế, Trường Đại học

ngân hàng Tp HCM

2. Hà Thị Sáu 2013 , „Xử lý nợ xấu trong quá trình tái cấu trúc hệ thống Ngân

hàng Việt Nam‟, Tạp chí Khoa học và Đào tạo Ngân hàng, Học viện Ngân hàng.

3. Hoàng Tùng 2011 , „Phân tích rủi ro tín dụng doanh nghiệp bằng mô hình

Logit‟, Tạp chí khoa học và công nghệ, Đại học Đà Nẵng số 2.

4. Kiều Hữu Thiện 2012 , “Xử lý nợ xấu trong hệ thống Ngân hàng Việt Nam”,

Tạp chí Khoa học và Đào tạo Ngân hàng, Học viện Ngân hàng.

tapchi.hvnh.edu.vn

5. Lê Thị Huyền Diệu 2010 , „Luận cứ khoa học về xác định mô hình quản lý

RRTD tại hệ thống NHTM Việt nam‟, Luận án Tiến sĩ kinh tế, Học viện Ngân

hàng Hà nội

6. Phan Thị Linh (2012),„Kinh nghiệm quản lý RRTD trên thế giới‟, Tạp chí Pháp

lý, số 7 2012.

7. Lê Văn Tư 2005 , „Quản trị ngân hàng thương mại‟, NXB Tài Chính.

8. Lê Khương Ninh và Lê Thị Thu Diềm (2012 ,„Khả năng trả nợ vay ngân hàng

của doanh nghiệp ở thành phố Cần Thơ‟, Tạp chí công nghệ Ngân hàng, số 76.

9. Trương Đông Lộc & Nguyễn Thị Tuyết 2011 ,„Các nhân tố ảnh hưởng đến

RRTD của Ngân hàng thương mại cổ phần Ngoại thương Chi nhánh thành phố

Cần Thơ‟,Tạp chí Ngân hàng, số 5, trang 38-41.

10. Trương Đông Lộc & Nguyễn Văn Thép 2014 ,„Các nhân tố ảnh hưởng đến tăng

trưởng tín dụng của các Quỹ tín dụng Nhân dân ở khu vực Đồng bằng sông Cửu

long‟,Tạp chí Công nghệ Ngân hàng, Số 105 Trang: 53-61

11. Võ Thị Quý và Bùi Ngọc Toản 2014 , „Các yếu tố ảnh hưởng tới RRTD của

NHTM Việt Nam‟, Tạp chí khoa học trường Đại học mở TP HCM, số 3, tập 36,

tr16-25

12. Lê Tất Thành, 2009 , „Ứng dụng hàm Logit xây dựng mô hình dự báo hạng

mức tín nhiệm các doanh nghiệp Việt Nam, ĐH Kinh tế Tp.HCM‟, công trình dự

thi giải thưởng nghiên cứu khoa học sinh viên “Nhà kinh tế trẻ 2009”;

13. Nguyễn Trường Sinh, 2009 , „Hoàn thiện hệ thống xếp hạng tín nhiệm của ngân

hàng thương mại cổ phần Ngoại Thương Việt Nam‟, luận văn thạc sĩ, ĐH Kinh

tế Tp.HCM.

14. Nguyễn Thị Cành, Nguyễn Thị Cành & Phạm Chí khoa 2014 ,„ p dụng mô

hình KMV- Merton dự báo RRTD của KHDN và khả năng thiệt hại của ngân

hàng‟,Tạp chí Phát Triển Kinh Tế

15. Nguyễn Thị Yến Nhi 2016 , „Phân tích những yếu tố ảnh hưởng đến khả năng

trả nợ KH doanh nghiệp tại NHTM CP Quân Đội‟, luận văn thạc sĩ, trường đại

học kinh tế thành phố Hồ Chí Minh

16. Nguyễn Thanh Tú và Nguyễn Thị Hồng Nhung 2013 , „Thực trạng nợ xấu của

các TCTD ở Việt Nam – Nguyên nhân và một số giải pháp từ chính sách

pháp luật‟, Đại học Luật Hà Nội. luattaichinh.wordpress.com

17. Nguyễn Trọng Hòa, „Xây dựng mô hình XHTD đối với các doanh nghiệp Việt

Nam trong nền kinh tế chuyển đổi‟, luận án tiến sĩ Trường ĐH Kinh Tế Quốc

Dân Hà Nội.

18. Nguyễn Đức Tú 2012 , „Quản lý rủi ro tín dụng tại ngân hàng thương mại cổ

phần công thương Việt nam‟, Luận án Tiến sĩ kinh tế, Trường đại học kinh tế

quốc dân Hà nội.

19. Phan Đình Khôi & Nguyễn Việt Thành 2017 ,„Các yếu tố vi mô ảnh hưởng đến

RRTD: trường hợp các ngân hàng thương mại cổ phần sở hữu nhà nước ở Hậu

Giang‟,Tạp chí Khoa học Trường đại học Cần Thơ, Tập 48, Phần D 2017 : 104-

111

20. Tô Ngọc Hưng 2012 , „Kinh nghiệm xử lý nợ xấu của một số quốc gia và

những bài học cho Việt Nam‟,www.sbv.gov.vn

21. Theo tài liệu tập huấn quản trị RRTD của Trường Đào tạo Ngân hàng Thụy Sĩ-

Châu năm 2012

22. Tài liệu hướng dẫn quản trị RRTD của MAS Singapore 2013

23. Khung quản trị RRTD của Ngân hàng Standard Charter (2012)

24. Vương Quân Hoàng, Đào Gia Hưng, Nguyễn Văn Hữu, Trần Minh Ngọc & Lê

Hồng Phương, 2006 , „Phương pháp thống kê xây dựng mô hình định mức tín

nhiệm khách hàng thể nhân‟, Tạp chí kinh tế, số 324, pp 13-23

Phụ lục số 01

PHIẾU KHẢO SÁT DÀNH CHO CÁN BỘ QUẢN LÝ RRTD TẠI CÁC

NHTM VIỆT NAM

Xin chào các Anh Chị

Tôi là nghiên cứu sinh đến từ Học viện Ngân hàng và đang tiến hành nghiên cứu đề

tài “Xây dựng hệ thống cảnh báo sớm RRTD tại các Ngân hàng Thương mại cổ

phần Việt Nam”. Rất mong muốn được quý anh chị bớt chút thời gian cho biết ý

kiến của mình thông qua bảng câu hỏi kèm theo dưới đây. Mỗi ý kiến của anh chị

đều là sự đóng góp rất lớn cho sự thành công luận án của tôi.

Tôi cam kết “Các ý kiến của Anh Chị chỉ phục vụ cho mục đích nghiên cứu của đề

tài này và không sử dụng cho bất kỳ mục đích nào khác”.

PHẦN I: THÔNG TIN CHUNG

1. Anh Chị vui lòng cho biết chức danh Anh Chị đang nắm giữ?

 Trưởng Phó Phòng Quản trị rủi ro tín dụng

 Trưởng Phó khối Quản rủi ro tín dụng

 Chuyên viên bộ phận Quản trị rủi ro tín dụng

 Nhân viên bộ phận Quản trị rủi ro tín dụng

2. Giới tính của Anh Chị?

 Nam

Nữ

3. Tuổi của Anh Chị?

 <30tuổi

 30-40tuổi

 > 40tuổi

4. Tên ngân hàng anh chị đang công tác?

…………………………………………………………………………………………..

5. Anh Chị đã làm việc trong bộ phận Quản trị rủi ro tín dụng đƣợc bao lâu?

 <2 năm

 2 – 5 năm

 5 – 8 năm

 > 8 năm

PHẦN II: NHẬN ĐỊNH CỦA NGƢỜI THAM GIA KHẢO SÁT

Xin Anh/Chị vui lòng đánh dấu vào ô vuông tương ứng với mức độ đồng ý của Anh Chị đối với mỗi

yếu tố được quy ước:

1: Hoàn toàn không cần thiết Không chọn Phủ nhận Không hợp lý.

đến 5: Rất cần thiết Chọn Khẳng định Rất hợp lý.

Những phát biểu

Mức độ nhận định

I

THỰC TRẠNG VỀ CẤU TRÚC HỆ THỐNG

CẢNH BÁO SỚM RRTD TẠI CÁC NHTM VIỆT

NAM

Ngân hàng anh chị đang làm việc đã triển khai hệ

thống cảnh báo sớm RRTD chƣa?

1. Đã hoàn thành

1

2. Đang triển khai

3. Chưa triển khai

2014

2015

2016

2017

2018

NH anh chị đang làm việc đã triển hệ thống cảnh

2 báo sớm RRTD từ năm nào?

Hệ thống cảnh báo sớm RRTD tại NH của anh chị

đang áp dụng đối với những đối tƣợng KH nào?

1

2

3

4

5

3

Lưu ý: các mục từ 3a đến 3f dưới đây chỉ đánh vào ô 1

hoặc ô 5

KH doanh nghiệp lớn

b KH doanh nghiệp vừa và nhỏ

KH hộ kinh doanh tiểu thương

d KH cá nhân

KH định chế tài chính

Nhóm KH có liên quan

Hệ thống cảnh báo sớm RRTD tại NH của anh chị

đang áp dụng sử dụng những thông tin đầu vào gồm

1

2

3

4

5

4 những nhóm thông tin nào sau đây? Lưu ý: các mục

từ 4a đến 4e dưới đây chỉ đánh vào ô 1 hoặc ô 5

Thông tin phi tài chính của KH độ tuổi, giới tính, số

người phụ thuộc, uy tín…

Thông tin tài chính của KH thu nhập, nguồn trả nợ, báo

cáo tài chính…

Thông tin về quan hệ tín dụng giá trị khoản vay, thời

hạn vay, giá trị TSBĐ…

Thông tin về lịch sử tín dụng số ngày quá hạn, tần suất

có nợ quá hạn, nợ quá hạn tại TCTD khác…

Thông tin vĩ mô khác GDP, lạm phát, lãi suất…

Phƣơng pháp thu thập thông tin đầu vào cho hệ

thống cảnh báo sớm RRTD tại Ngân hàng của

1

2

3

4

5 anh chị? Lưu ý: các mục từ 5a đến 5c dưới đây chỉ

đánh vào ô 1 hoặc ô 5

Tự động hoàn toàn

Thủ công hoàn toàn

Bán tự động kết hợp cả tự động và thủ công

Phƣơng pháp đo lƣờng RRTD phục vụ cảnh báo

sớm RRTD tại Ngân hàng nơi Anh chị làm việc? Lưu

1

2

3

4

5

6

ý: các mục từ 5a đến 5e dưới đây chỉ đánh vào ô 1(chưa

thực hiện), ô 3 (đang triển khai) hoặc ô 5 (đã thực hiện).

Đã xây dựng và sử dụng hệ thống xếp hạng tín dụng nội

bộ để phân loại KH

b Đã tính toán các chỉ số PD, LGD, EL

Đã tính toán UL và VaR tín dụng

Sử dụng các mô hình định lượng để tính toán phân phối

tổn thất tín dụng và VaR tín dụng.

THỰC TRẠNG VỀ ĐIỀU KIỆN XÂY DỰNG VÀ

II

TRIỂN KHAI HỆ THỐNG CẢNH BÁO SỚM

1

2

3

4

5 RRTD TẠI CÁC NHTM VIỆT NAM

Tính hợp lý của việc áp dụng hệ thống cảnh báo sớm

7 RRTD

Các chỉ tiêu cảnh báo sớm đã đầy đủ toàn diện

Phương pháp cảnh báo sớm hiện đại và phù hợp

Các ngưỡng rủi ro được thiết lập hợp lý

Hệ thống cảnh báo sớm có khả năng cảnh báo sớm đúng

KH có nguy cơ rủi ro với xác suất đúng lớn

Sự cần thiết của việc áp dụng hệ thống cảnh báo sớm

8 RRTD

Anh Chị có nghĩ các phƣơng pháp đo lƣờng rủi ro

tại Ngân hàng của Anh chị sẽ thay đổi trong vòng 02

9 năm tới?

(Lưu ý: Chỉ chọn vào ô 1 hoặc ô 5)

ĐÁNH GIÁ THỰC TRẠNG TRIỂN KHAI HỆ THỐNG CẢNH BÁO SỚM RRTD TẠI

III

d Nâng cao danh tiếng, qua đó tăng sức cạnh tranh.

e Hội nhập theo tiêu chuẩn quốc tế.

Đánh giá các điều kiện bất lợi khi thực hiện áp dụng

1

2

3

4

5

13 hệ thống cảnh báo sớm RRTD.

a Chi phí đầu tư ban đầu và chi phí vận hành cao.

Thiếu dữ liệu lịch sử cho các phương pháp đo lường

rủi ro.

Thiếu các tổ chức xếp hạng tín dụng chuyên nghiệp để

tham chiếu kết quả.

Thiếu nhân sự am hiểu để xây dựng và vận hành mô

hình cảnh báo sớm.

Thiếu nguồn vốn kinh doanh do các tỷ lệ trích lập dự

phòng cao.

Giảm sức cạnh tranh Giảm lợi nhuận.

Áp dụng hệ thống cảnh báo sớm RRTD, ngân hàng

14 phải thực hiện thêm nhiều báo cáo nhiều chỉ số hơn

Tất cả thông tin đầu vào hệ thống cảnh báo sớm

15 RRTD yêu cầu đều có sẵn trên hệ thống thông tin

KH

Khi quá thời hạn nộp báo cáo, NH sẽ nhắc nhở hoặc

16 có chế tài xử phạt

Ngân hàng định kỳ tổ chức các lớp tập huấn, nghiệp

17 vụ về hệ thống cảnh báo sớm RRTD tới đơn vị của

Anh Chị

Anh chị đánh giá mức độ tuân thủ đầy đủ trách

nhiệm của các đơn vị có liên quan thực hiện hệ thống

cảnh báo sớm RRTD.

(Lưu ý: Riêng câu 17 đánh dấu vào các ô từ 1-5 tương

18

1

2

3

4

5

ứng với 5 mức độ: 5-Tuân thủ hoàn toàn, 4-Tuân thủ

mức độ khá, 3-Tuân thủ mức độ trung bình, 2-Tuân thủ

mực độ yếu , 1-Hoàn toàn chưa tuân thủ)

a

Phòng giám sát tín dụng

Thực hiện đánh giá các dấu hiệu cảnh báo rủi ro thuộc

phân quyền, tổng hợp kết quả đánh giá của đơn vị kinh

doanh, báo cáo giám đốc khối quản trị rủi ro và Ban

lãnh đạo ngân hàng

Là đầu mối xây dựng các qui định, hướng dẫn liên quan

đến việc sử dụng hệ thống cảnh báo sớm RRTD.

Là đơn vị đầu mối tiếp nhận các yêu cầu hỗ trợ như cấp,

điều chuyển, đóng tài khoản vào phần mềm cảnh báo

sớm RRTD, quản lý các tài khoản truy cập vào phần

mềm, điều chỉnh một số thông tin trong quá trình sử

dụng phần mềm.

Định kỳ đánh giá hiệu suất, hiệu quả của công tác cảnh

báo sớm RRTD, điều chỉnh các dấu hiệu cảnh báo sớm

RRTD, đưa ra đề xuất cải tiến nhằm đạt hiệu quả cao

nhất.

a5 Nhóm KH có liên quan

b

Đơn vị kinh doanh.

Thực hiện kiểm tra, đánh giá KH sau khi cho vay, tìm

hiểu, thẩm định qua nhiều nguồn thông tin khác nhau để

thu thập thông tin và trả lời chính xác những dấu hiệu

cảnh báo sớm RRTD

Chịu trách nhiệm đảm bảo các thông tin trả lời các câu

hỏi điều tra cảnh báo sớm RRTD đầy đủ, chính xác,

trung thực, khách quan, đúng thời hạn qui định.

Cung cấp đầy đủ tài liệu liên quan và phối hợp với

phòng giám sát tín dụng kiểm tra, đánh giá KH chính

xác, thống nhất

Chịu trách nhiệm trong trường hợp không thực hiện

kiểm tra, đánh giá KH, không báo cáo kịp thời hoặc

thông tin không chính xác, dẫn đến khoản nợ quá hạn

mà không được cảnh báo trước.

Phối hợp với các đơn vị đầu mối xử lý trung tâm quản

lý và thu hồi nợ phòng cấu trúc nợ thực hiện các biện

pháp ứng xử đối với khoản vay của KH.

Đề xuất yêu cầu đối với phòng GSTD trong trường hợp

phát sinh nhu cầu về cấp, điều chuyển, đóng tài khoản

truy cập phần mềm cảnh báo sớm RRTD và vấn đề phát

sinh trong quá trình sử dụng

Trung tâm quản lý và thu hồi nợ, phòng cấu trúc nợ-

c

khối quản trị rủi ro

Tiếp nhận danh sách KH theo phân luồng của hệ thống

cảnh báo sớm RRTD, phân tích tình hình và thực hiện

biện pháp thu hồi nợ phù hợp nhằm ngăn chặn khả năng

chuyển nợ quá hạn.

Cập nhật tình hình xử lý đối với KH gửi tới phòng giám

sát tín dụng.

d

Khối công nghệ thông tin

Hỗ trợ xây dựng hệ thống tin học, hiện đại hoá cảnh báo

sớm RRTD.

Thực hiện phân quyền cho các đơn vị trên hệ thống và

hỗ trợ các đơn vị trong quá trình triển khai.

Thực hiện vận hành hệ thống cảnh báo sớm RRTD, định

kỳ xác định danh sách KH cần thực hiện cảnh báo sớm

RRTD

PHẦN III: Ý KIẾN KHÁC

Anh Chị có ý kiến đóng góp, kiến nghị nào cho việc áp dụng hệ thống cảnh báo

sớm RRTD tại ngân hàng Anh Chị hiện nay?

..........................................................................................................................................

Xin chân thành cảm ơn Anh Chị!

Phụ lục số 02

BẢNG TỔNG HỢP THÔNG TIN VỀ KHÁCH HÀNG CÁ NHÂN VAY TIÊU

DÙNG TẠI CÁC NHTMVIỆT NAM

Xin chào các Anh Chị

Tôi là nghiên cứu sinh đến từ Học viện Ngân hàng và đang tiến hành nghiên cứu đề tài

“Xây dựng hệ thống cảnh báo sớm RRTD tại các Ngân hàng Thương mại cổ phần Việt

Nam”. Rất mong muốn được quý anh chị bớt chút thời gian cho xin thông tin về KH cá

nhân vay tiêu dùng tại Ngân hàng của anh chị công tác giai đoạn 2015-2018 chi tiết theo

bảng kèm theo dưới đây . Mỗi ý kiến của anh chị đều là sự đóng góp rất lớn cho sự thành

công luận án của tôi.

Tôi cam kết “Các thông tin của Anh Chị cung cấp chỉ phục vụ cho mục đích nghiên cứu

của đề tài này và không sử dụng cho bất kỳ mục đích nào khác”.

Phụ lục số 03

BẢNG TỔNG HỢP THÔNG TIN VỀ KHÁCH HÀNG DOANH NGHIỆP VAY VỐN

TẠI CÁC NHTM VIỆT NAM

Xin chào các Anh Chị

Tôi là nghiên cứu sinh đến từ Học viện Ngân hàng và đang tiến hành nghiên cứu đề tài “Xây dựng hệ thống cảnh báo sớm RRTD tại các Ngân

hàng Thương mại cổ phần Việt Nam”. Rất mong muốn được quý anh chị bớt chút thời gian cho xin thông tin về KH doanh nghiệp vay vốn tại

Ngân hàng của các anh chị giai đoạn 2015-2018 chi tiết theo bảng kèm theo dưới đây . Mỗi ý kiến của anh chị đều là sự đóng góp rất lớn cho

sự thành công luận án của tôi.

Tôi cam kết “Các thông tin của Anh Chị cung cấp chỉ phục vụ cho mục đích nghiên cứu của đề tài này và không sử dụng cho bất kỳ mục đích

nào khác”.

Phụ lục số 04

DANH SÁCH CÁC NGÂN HÀNG THỰC HIỆN KHẢO SÁT VÀ MỨC ĐỘ HOÀN

THÀNH HỆ THỐNG CẢNH BÁO SỚM RỦI RO TÍN DỤNG

STT

Tên Ngân hàng

Tên giao dịch

Vietinbank

Đã hoàn thành hệ thống cảnh báo sớm RRTD x

Đã hoàn thành một phần và đang tiếp tục triển khai x

Chƣa triển khai x

Agribank

1 2 3

Vietcombank Sacombank Eximbank MB Tpbank Seabank VIB Vietabank Bacabank Baovietbank ACB Maritimebank SHB Vpbank Teckcombank SCB NVB Hdbank

x x x x x x x x x x x x x x

x x x

4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Công Thương Việt Nam Đầu Tư và Phát Triển Việt Nam BIDV Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam Ngoại thương Việt Nam Sài Gòn thương tín Xuất nhập khẩu Việt Nam Quân đội Tiên Phong Đông Nam Quốc tế Việt B c Bảo Việt Á Châu Hàng Hải Sài Gòn Hà Nội Việt Nam Thịnh Vượng Kỹ Thương Sài Gòn Quốc Dân Phát Triển Thành Phố Hồ Chí Minh Nam Á Sài Gòn Công Thương An Bình Đông Bản Việt Đại Dương Xăng Dầu Petrolimex Kiên Long Liên Việt Việt Nam Thương Tín Xây dựng Dầu khí toàn cầu Đại chúng Việt Nam Phương Đông

Nam Á Saigonbank Anbinhbank Dongabank Vietcapital Oceanbank PGbank Kienlongbank Lienvietbank Vietbank Cbbank GPBank Pvcombank OCB

x x x x

x x x x x x x x x x

22 23 24 25 26 27 28 29 30 31 32 33 34 35

Phụ lục số 05

DANH SÁCH CÁC NGÂN HÀNG CUNG CẤP THÔNG TIN KHÁCH HÀNG VAY

VỐN GIAI ĐOẠN 2015-2018 ĐƢỢC SỬ DỤNG TRONG NGHIÊN CỨU

STT

Tên Ngân hàng

Dữ liệu về KHCN

Dữ liệu KHDN

sử dụng trong

nghiên cứu

Ngân hàng TMCP Đầu Tư và Phát Triển Việt Nam BIDV

Ngân hàng TMCP Á Châu (ACB)

Ngân hàng TMCP Quân Đội MB

Ngân hàng TMCP Hàng Hải MSB

Ngân hàng TMCP Kỹ Thương Việt Nam Teckcombank

Ngân hàng TMCP Tiên Phong (Tpbank)

Ngân hàng TMCP An Bình (AnbinhBank)

Ngân hàng TMCP Liên Việt LienvietBank)

Ngân hàng TMCP Đại Chúng Việt Nam (PVComBank)

10 Ngân hàng TMCP Việt Nam Thịnh Vượng Pvbank

Tổng

500

257 Phụ lục số 06

DANH MỤC SẢN PHẨM CẢNH BÁO SỚM RỦI RO TÍN DỤNG

DO CIC CUNG CẤP

Nội dung và đặc điểm

Tên sản

phẩm

1 Sản phẩm

Định kỳ hàng tháng, CIC tạo lập danh sách 100 chi nhánh TCTD có tỷ lệ Nợ xấu Tổng dư

S33

nợ lớn nhất và tổng dư nợ 100 tỷ VNĐ trở lên trong phạm vi toàn hệ thống ngân hàng. Sản

phẩm này nhằm hỗ trợ người sử dụng NSD có thể biết nợ xấu nhóm 3+4+5 của KH tại

tất cả các CNTCTD đó ở vùng hay tỉnh nào.

(2) Sản phẩm

Định kỳ hàng tháng CIC tạo lập danh sách 200 KH Pháp nhân và 200 KH thể nhân

S34-35

có nợ xấu lớn nhất thuộc các phạm vi: Toàn hệ thống, vùng kinh tế, tỉnh-thành phố và

TCTD. Mỗi KH trong danh sách này đều kèm theo bản báo cáo chi tiết về chính bản thân

KH đó S31 và S32 , bao gồm: thông tin về dư nợ, nợ xấu, diễn biến nợ xấu trong 6 tháng

gần nhất, số TCTD có quan hệ, số TCTD có nợ xấu, quan hệ tín dụng của chủ DN…

Qua đây NSD có thể n m được những thông tin cụ thể như sau:

- Phạm vi toàn hệ thống: DS 200 KH có nợ xấu lớn nhất toàn hệ thống ngân hàng,

bao gồm tổng dư nợ các nhóm 3+4+5, của KH tại tất cả các TCTD trên toàn hệ thống,

không phân biệt TCTD đó thuộc vùng nào, tỉnh nào

- Phạm vi vùng kinh tế 8 vùng : DS 200 KH có nợ xấu lớn nhất vùng, bao gồm

tổng nợ các nhóm 3+4+5 của KH tại tất cả các TCTD, CNTCTD trên địa bàn vùng đó.

- Phạm vi tỉnh, thành phố 63 tỉnh :DS 200 KH có nợ xấu lớn nhất tỉnh- thành phố,

bao gồm tổng nợ nhóm 3+4+5 của KH tại TCTD, CNTCTD triên địa bàn tỉnh thành phố

đó.

- Phạm vi TCTD: DS 200 KH của TCTD có nợ xấu lớn nhất toàn hệ thống ngân

hàng, bao gồm tổng nợ nhóm 3+4+5 của KH tại tất cả TCTD, không phân biệt TCTD ở

vùng nào, tỉnh nào.

Thông qua danh sách này, người sử dụng có thể biết được:

- Nợ xấu của hệ thống ngân hàng tại thời điểm tra cứu đang:

+ Tập trung chủ yếu tại đối tượng doanh nghiệp nào quốc doanh hay ngoài quốc

doanh)

+ Tập trung chủ yếu ở địa bàn nào tỉnh, thành phố nào trong 63 tỉnh, thành phố

+ Tập trung chủ yếu ở khu vực kinh tế nào trong6 vùng kinh tế của cả nước Đông

B c? Tây B c? Duyên hải miền trung hay Đông Nam Bộ? ...

- Mức độ nợ xấu của KH trong danh sách cảnh báo. Những thông tin trên hỗ trợ

TCTD trong việc xây dựng và xác định cơ cấu danh mục đầu tư Không đầu tư hoặc

giảm tỷ trọng cho vay vào những KH nhóm KH tỉnh thành phố có mức độ rủi ro cao .

3 Sản phẩm

Định kỳ hàng tháng tạo lập 2 danh sách KH:

S36

i Toàn bộ KH của CNTCTD có dư nợ nhóm 3, 4, 5 tại CNTCTD khác

ii Toàn bộ KH của CNTCTD vừa có nợ nhóm 3, 4, 5 tại CNTCTD khai thác, vừa

có nợ nhóm 3, 4, 5 ở CNTCTD khác

Sản phẩm này giúp TCTD chủ động trong việc quản lý KH, phân loại nợ, kiểm

soát, trích lập dự phòng và lên kế hoạch phòng ngừa rủi ro

4 Sản phẩm

Cho phép NSD tra cứu nhận bản trả lời tin tức thời về KH vay. Nội dung bản trả lời

S37

tin gồm 1 tronng 2 tình huống sau:

i KH không thuộc diện cảnh báo tại thời điểm xx nếu KH không có nợ xấu

ii KH thuộc mức cảnh báo 1 hoặc 2 hoặc 3 tương ứng với mỗi mức cảnh báo này

đều có nội dung giải thích tại báo cáo trả lời

- Sản phẩm này nhằm hỗ trợ TCTD ra quyết định nhanh về việc có cho KH vay hay

không đặc biệt hữu ích trong trường hợp mới cho KH vay lần đầu , giúp TCTD tiết kiệm thời

gian, chi phí. Trong trường hợp không cho vay KH trong diện cảnh báo thì không mất thời gian,

chi phí tìm kiếm thông tin bổ sung.

5 Sản phẩm

Định kỳ hàng tháng, tạo lập DS 100 KH pháp nhân và 100 KH thể nhân có nợ xấu

S38

và có dư nợ lớn nhất; quan hệ nhiều TCTD nhất, nợ nhóm 3 lớn nhất, nợ nhóm 4 lớn nhất,

nợ nhóm 5 lớn nhất thuộc 4 phạm vi: Toàn hệ thống, Vùng kinh tế, Tỉnh thành phố, TCTD.

- Sản phẩm giúp cán bộ tín dụng có thêm thông tin về KH để phòng ngừa rủi ro

cho đơn vị trong việc vay vốn, biết được nợ xấu tập trung vào nhóm nào, lĩnh vực nào thận

trọng hơn khi ra quyết định tín dụng với KH này .

6 Sản phẩm

Định kỳ hàng tháng, CIC tạo lập danh sách toàn bộ KH của CNTCTD, đang là KH

S39

có dư nợ đủ tiêu chuẩn nhóm 1 tại CNTCTD, nhưng b t đầu có nợ cần chú ý nợ nhóm 2

tại CNTCTD khác trong kỳ. Các tiêu chí dữ liệu bao gồm: Tên KH, Mã CIF, Số

ĐKKD CMT, Tổng nợ cần chú ý tại TCTD, Tên CNTCTD phát sinh nợ cần chú ý, ngày

phát sinh nợ cần chú ý tại từng CNTCTD.