Luận văn Thạc sĩ Kinh tế: Nghiên cứu nhân tố ảnh hưởng đến tính dễ tổn thương của NHTM Việt Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ HỒ CHÍ MINH

NGUYỄN THỊ KIM NGỌC

NHÂN TỐ ẢNH HƯỞNG ĐẾN TÍNH DỄ TỔN THƯƠNG CỦA

CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM

LUẬN VĂN THẠC SĨ KINH TẾ

TP. HỒ CHÍ MINH - NĂM 2013

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ HỒ CHÍ MINH

NGUYỄN THỊ KIM NGỌC

NHÂN TỐ ẢNH HƯỞNG ĐẾN TÍNH DỄ TỔN THƯƠNG CỦA

CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM

Chuyên ngành

: TÀI CHÍNH – NGÂN HÀNG

Mã số

: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC

PGS.TS. NGUYỄN NGỌC ĐỊNH

TP. HỒ CHÍ MINH - NĂM 2013

LỜI CAM ĐOAN

Tôi xin cam đoan Luận văn Thạc sĩ Kinh tế với đề tài “Nghiên cứu nhân tố ảnh

hưởng đến tính dễ tổn thương của NHTM Việt Nam” là công trình nghiên cứu của

riêng tôi dưới sự hướng dẫn của PGS.TS. Nguyễn Ngọc Định.

Các số liệu, kết quả trong luận văn là trung thực và chưa từng được ai công bố

trong bất kỳ công trình nào khác. Tôi sẽ chịu trách nhiệm về nội dung tôi đã trình bày

trong luận văn này.

TP.HCM, ngày 19 tháng 10 năm 2013

Tác giả

Nguyễn Thị Kim Ngọc

iii

LỜI CẢM ƠN

Trước tiên, tôi xin chân thành cảm ơn PGS.TS Nguyễn Ngọc Định, PGS.TS

Nguyễn Thị Liên Hoa đã tận tình chỉ bảo, góp ý và động viên tôi trong suốt quá trình

thực hiện luận văn tốt nghiệp này.

Tôi cũng xin gửi lời cảm ơn đến Quý Thầy Cô, những người đã tận tình truyền

đạt kiến thức cho tôi trong cả khóa học vừa qua.

Tôi xin cảm ơn gia đình, đồng nghiệp và bạn bè đã hết lòng quan tâm và tạo điều

kiện tốt nhất để tôi hoàn thành được luận văn tốt nghiệp này.

Nguyễn Thị Kim Ngọc

MỤC LỤC

LỜI CAM ĐOAN ......................................................................................................... ii

LỜI CẢM ƠN .............................................................................................................. iii

MỤC LỤC ..................................................................................................................... iv

DANH MỤC CÁC BẢNG .......................................................................................... vii

DANH MỤC CÁC ĐỒ THỊ ...................................................................................... viii

GIỚI THIỆU .................................................................................................................. 1

CHƯƠNG 1 – TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU ....................................... 2

1.1 Lý do chọn đề tài .................................................................................................... 2

1.2 Mục tiêu nghiên cứu ............................................................................................... 5

1.3 Vấn đề nghiên cứu ................................................................................................. 5

1.4 Đối tượng và phạm vi nghiên cứu .......................................................................... 5

1.5 Phương pháp nghiên cứu ........................................................................................ 5

1.6 Kết cấu của đề tài ................................................................................................... 6

CHƯƠNG 2 - NHỮNG NGHIÊN CỨU THỰC NGHIỆM ....................................... 7

2.1 Nghiên cứu thực nghiệm của các tác giả trên thế giới ........................................... 7

2.2 Kinh nghiệm xử lý nợ xấu của một số quốc gia và bài học cho Việt Nam ......... 12

a. Hàn Quốc ......................................................................................................... 12

b. Trung Quốc ...................................................................................................... 15

c. Hungary ............................................................................................................ 17

d. Kinh nghiệm cho Việt Nam ............................................................................. 19

CHƯƠNG 3 -PHƯƠNG PHÁP VÀ KẾT QUẢ NGHIÊN CỨU ............................ 23

3.1. Phương pháp nghiên cứu .................................................................................. 23

3.1.1 Mô hình kinh tế lượng ................................................................................... 23

3.1.2 Mẫu nghiên cứu ............................................................................................. 25

3.1.3 Dữ liệu nghiên cứu ........................................................................................ 26

3.1.4 Biến nghiên cứu ............................................................................................. 26

3.1.5 Xử lý và phân tích số liệu .............................................................................. 32

3.2 Kết quả nghiên cứu ........................................................................................... 33

3.2.1 Đánh giá hoạt động NHTM qua số liệu báo cáo tài chính ............................ 33

3.2.2 Kết quả nghiên cứu định lượng ..................................................................... 38

a. Thống kê mô tả ................................................................................................ 38

b. Kiểm tra hiện tượng tự tương quan .................................................................. 39

c. Hồi quy Binary logistic .................................................................................... 40

d. Phân tích biệt số MDA ..................................................................................... 44

e. So sánh giữa hồi quy Binary Logistic và phân tích biệt số MDA ................... 46

CHƯƠNG 4 – HẠN CHẾ ĐỀ TÀI VÀ GỢI Ý CHÍNH SÁCH .............................. 48

4.1 Hạn chế của đề tài .............................................................................................. 48

4.2 Gợi ý chính sách ................................................................................................. 48

4.2.1 An toàn vốn .................................................................................................... 48

4.2.2 Nợ xấu ............................................................................................................ 51

4.2.3 Nâng cao năng lực quản trị của NHTM: ....................................................... 52

4.2.4 Thanh khoản: ................................................................................................. 53

4.3 Những gợi ý và hướng nghiên cứu tiếp theo .................................................... 56

KẾT LUẬN .................................................................................................................. 57

TÀI LIỆU THAM KHẢO ........................................................................................... 58

PHỤ LỤC ..................................................................................................................... 61

DANH MỤC VIẾT TẮT

CAMEL(S): hệ thống đánh giá mức độ an toàn và bền vững của Tổ chức tín dụng

NHTM: Ngân hàng thương mại

NHTMCP: Ngân hàng thương mại cổ phần

NHTMNN: Ngân hàng thương mại nhà nước

TCTD: Tổ chức tín dụng

M&A: Hợp nhất và sáp nhập

DNNN: Doanh nghiệp nhà nước

BIDV: NH TMCP Đầu Tư và Phát triển Việt Nam

VCB: NHTMCP Ngoại thương Việt Nam

ABBank: NHTMCP An Bình

ACB: NHTMCP Á Châu

EIB: NHTMCP Xuất Nhập Khẩu Việt Nam

EAB: NHTMCP Đông Á

HDBank: NHTMCP Phát Triển TPHCM

MB: NHTMCP Quân Đội

MSB: NHTMCP Hàng Hải

SCB: NHTMCP Sài Gòn

SHB: NHTMCP Sài gòn – Hà Nội

OCB: NHTMCP Phương Đông

VPBank: NHTMCP Việt Nam Thịnh Vượng

SeABank: NHTMCP Đông Nam Á

vii

DANH MỤC CÁC BẢNG

Bảng 3.1: Phân nhóm NHTM

Bảng 3.2: Thống kê mô tả các biến

Bảng 3.3: Ma trận hệ số tương quan

Bảng 3.4: Các biến được chọn để đưa vào mô hình

Bảng 3.5: Kiểm định độ phù hợp tổng quát

Bảng 3.6: Kiểm định độ phù hợp của mô hình

Bảng 3.7: Kiểm định mức độ chính xác của mô hình

Bảng 3.8: Kiểm định ý nghĩa hệ số hồi quy

Bảng 3.9: Các biến đưa vào mô hình phân tích biệt số

Bảng 3.10: Hệ số chuẩn hóa trong mô hình phân tích biệt số

Bảng 3.11: Kết quả dự báo của phân tích biệt số

Bảng 3.12: So sánh các biến có ý nghĩa của 2 mô hình

Bảng 3.13: So sánh khả năng dự báo của 2 mô hình

Bảng 4.1: Tỷ lệ LDR của các NHTM Hàn Quốc

Bảng 4.2: Tỷ lệ LDR của các NHTM Indonesia

Bảng 4.3: Tỉ lệ LDR mục tiêu của một số nước

Bảng 4.4: Tỉ lệ LDR trung bình phân theo thu nhập của các nhóm nước

viii

DANH MỤC CÁC ĐỒ THỊ

Hình 1.1. Tỷ lệ nợ xấu của hệ thống ngân hàng (2008 - 2012) ....................................... 3

Hình 3.1 Biểu đồ thể hiện quy mô tổng tài sản của mẫu nghiên cứu ............................ 26

Hình 3.2 Biểu đồ nợ xấu của các NHTMCP năm 2011-2012 ....................................... 34

Hình 3.3 Dư nợ và nợ xấu 7 Ngân hàng niêm yết trên thị trường chứng khoán (4 Quý gần nhất) ............................................................................................................ 35

Hình 3.4 Biểu đồ nợ xấu của các NHTM niêm yết trên thị trường chứng khoán ......... 35

Hình 3.5 Chi tiết nợ xấu các NHTM (thời điểm 30/06/2013) ...................................... 36

Hình 3.6 Cơ cấu nợ xấu 07 Ngân hàng niêm yết trên thị trường chứng khoán (4 Quý gần nhất) ............................................................................................................ 36

GIỚI THIỆU

Bài này nghiên cứu tác động của các nhân tố vi mô đến tính tổn thương của các

NHTM Việt Nam từ năm 2008 đến 2012, sử dụng hồi quy Binary Logistic với số liệu

trên Báo cáo tài chính của 30 NHTM Việt Nam. Dựa vào các kết quả nghiên cứu trước

đây, tác giả đã sử dụng 14 biến độc lập đại diện cho các chỉ số tài chính của NHTM và

một biến đại diện cho quy mô NHTM, và một biến phụ thuộc là biến nhị phân. Cùng

với hồi quy Binary Logistic, phân tích biệt số MDA cũng được thực hiện để so sánh

kết quả với mô hình hồi quy Binary logistic.

Kết quả nghiên cứu cho thấy, các biến đại diện cho an toàn vốn ECTA, tỷ suất

sinh lời ROE, thanh khoản LDR và nợ xấu NPL là có ý nghĩa thống kê trong việc giải

thích tính tổn thương của các NHTM. Các biến ECTA và ROE có quan hệ cùng chiều,

LDR và NPL có quan hệ ngược chiều với xác suất tổn thương của các NHTM. Đồng

thời biến NPL có ảnh hưởng mạnh nhất đến biến phụ thuộc. Khả năng dự báo của mô

hình hồi quy Binary Logistic cao hơn phân tích biệt số MDA, vì vậy các nhà quản lý

có thể sử dụng như là một mô hình để dự báo sớm khả năng tổn thương của các

NHTM trong tương lai, phát hiện các NHTM có vấn đề cũng như đưa ra các giải pháp

để hạn chế xảy ra khủng hoảng.

CHƯƠNG 1 – TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU

1.1 Lý do chọn đề tài

Ngân hàng đóng vai trò là trung gian tài chính và là huyết mạch của nền kinh tế.

Hiệu quả hoạt động của các trung gian tài chính ảnh hưởng đến tốc độ tăng trưởng của

nền kinh tế. Các nền kinh tế có hệ thống Ngân hàng hoạt động hiệu quả có thể chịu

đựng được các cú sốc tốt hơn và góp phần ổn định nền kinh tế (Athanasoglou,

Brissimis and Delis, 2005).

Chúng chính là cầu nối không biên giới giữa các lĩnh vực khác nhau trong nền

kinh tế, giữa các vùng khác nhau trong một nước, và xa hơn nữa là giữa các nền kinh

tế khác nhau của các quốc gia. Chính vì vai trò to lớn đó mà nó mang trong mình

những nguy cơ dễ tổn thương nhất định bởi những tác động nội sinh cũng như ngoại

sinh của nền kinh tế. Đặc biệt trong giai đoạn khủng hoảng hiện nay, tính dễ tổn

thương đó lại càng thể hiện rõ nét.

Trong hơn 5 năm trở lại, hệ thống mạng lưới Ngân hàng đặc biệt là NHTMCP

phát triển rất nhanh chóng nhưng thiếu tính ổn định. Những khó khăn của nền kinh tế

thế giới nói chung và Việt Nam nói riêng đã khiến cho các NHTM trong nước càng

gặp nhiều khó khăn. Đồng thời những bất cập trong công tác quản trị của các Ngân

hàng đã khiến hoạt động của chính các NHTM bộc lộ nhiều khuyết điểm, ảnh hưởng

đến sự phát triển bền vững của NHTM Việt Nam. Đó là sự gia tăng liên tục nợ xấu,

thanh khoản kém nên các Ngân hàng đã huy động với lãi suất cao bằng mọi giá, tác

động đến sự an toàn của cả hệ thống Ngân hàng.

Theo số liệu báo cáo của NHNN Việt Nam, tỷ lệ nợ xấu của hệ thống ngân hàng

ở mức 3,1% trong năm 2011 đã tăng vọt lên mức 8,86% trong năm 2012 (tăng 211%).

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 chủ yếu là các khoản tín dụng đã được

cấp trước đây, đồng thời cho thấy chất lượng tín dụng đang theo chiều hướng xấu.

Hình 1.1. Tỷ lệ nợ xấu của hệ thống ngân hàng (2008 - 2012)

Nguồn: NHNN và MSB tổng hợp

Rủi ro thanh khoản luôn thường trực, khi huy động vốn của NHTM chủ yếu là kỳ

hạn ngắn với tỷ trọng thường tới 70% - 80% trong tổng nguồn vốn huy động, thậm chí

đối với một số ngân hàng, tỷ trọng này trên 90%, trong khi đó cho vay trung, dài hạn

thường chỉ chiếm tỷ trọng khoảng 30% - 40% tổng dư nợ.

Vốn điều lệ toàn hệ thống đã tăng nhanh, chủ yếu trong giai đoạn 2008 - 2011

Vấn đề ở chỗ liệu việc tăng vốn có thực chất hay không. Hiện tượng “nhóm lợi ích” và

“sở hữu chéo” thông qua một “bên thứ 3” diễn ra khá phổ biến, đã làm cho quy mô

vốn điều lệ cũng như tổng tài sản toàn hệ thống bị tăng ảo. Điều nguy hiểm hơn, tình

trạng sở hữu chéo vốn thường dẫn đến hoặc luôn đi kèm với vấn đề “cho vay nhóm

khách hàng liên quan” vượt xa tỷ lệ quy định - kênh chủ yếu để dẫn vốn tín dụng đến

với các dự án nhiều rủi ro (bao gồm các dự án bất động sản, kinh doanh chứng

khoán…).

Chất lượng tài sản suy giảm nhanh nhưng mức trích lập dự phòng rủi ro đạt thấp.

Theo các số liệu báo cáo, số dư quỹ dự phòng rủi ro tín dụng đều thấp so với tổng nợ

xấu theo sổ sách. Điều này hàm ý mức độ an toàn hoạt động của hệ thống ngân hàng

sẽ bị đe dọa khi rủi ro diễn ra.

Các tỷ lệ an toàn hoạt động theo quy định thực chất không bảo đảm. Tình trạng

cho vay quá mức dẫn đến hệ số sử dụng vốn (tỷ lệ cho vay trên huy động) của các

NHTM rất cao và vượt mức an toàn. Toàn hệ thống luôn trong trạng thái mất cân đối

nghiêm trọng cả về kỳ hạn lẫn đồng tiền giữa nguồn vốn và sử dụng vốn. Các tỷ lệ an

toàn chi trả đạt mức thấp và hệ số an toàn vốn thực chất cũng ở mức dưới thông lệ và

cả so với yêu cầu, xét về mặt kỹ thuật, đã mất khả năng thanh toán/phá sản nhưng vẫn

tạo vỏ bọc bên ngoài là chỉ bị khó khăn về thanh khoản.

Kết quả kinh doanh không thực chất; lợi nhuận ngành ngân hàng có khả năng sẽ

suy giảm nhanh trong thời gian tới. Cơ cấu thu nhập của hệ thống NHTM chỉ ra, lãi

của hầu hết các ngân hàng chủ yếu đến từ hoạt động tín dụng. Thế nhưng, trong bối

cảnh nợ xấu gia tăng và tín dụng tăng trưởng âm thì nhiều ngân hàng chắc chắn sẽ phải

đối mặt với nguy cơ thua lỗ. Đó là chưa kể, nếu thực hiện phân loại nợ và trích lập dự

phòng rủi ro đúng, đủ và/hoặc tuân thủ thông lệ quốc tế, đồng thời hạch toán theo

chuẩn mực kế toán quốc tế, thì hiệu quả kinh doanh của các NHTM Việt Nam còn

thấp hơn.

Những phân tích trên đây cho thấy, hoạt động ngân hàng tự nó đã chứa đựng rất

nhiều rủi ro và khi những rủi ro đó tích tụ, trở nên quá lớn do tác động của các yếu tố

bên ngoài (như bất ổn kinh tế vĩ mô, khủng hoảng kinh tế thế giới, thị trường chứng

khoán và thị trường bất động sản lao dốc) hay do các yếu tố bên trong (như quản trị rủi

ro bất cập, quy trình tín dụng không hoàn chỉnh, đầu tư mạo hiểm, năng lực và đạo đức

của nguồn nhân lực ngân hàng không đáp ứng yêu cầu,…) thì hệ thống ngân hàng sẽ

không tránh khỏi đổ vỡ. Tuy nhiên, hiện nay tại Việt Nam hầu như có rất ít các nghiên

cứu chính thức về tính dễ tổn thương của các NHTM Việt Nam. Do đó, nghiên cứu

vấn đề “Nhân tố ảnh hưởng đến tính dễ tổn thương của các NHTM Việt Nam” với mô

hình hồi quy Binary logistic sẽ phần nào nắm bắt được các nhân tố quyết định đến khả

năng tổn thương của các Ngân hàng, từ đó có thể đưa ra hệ thống cảnh báo sớm nhằm

ngăn ngừa khủng hoảng trong hệ thống Ngân hàng Việt Nam.

1.2 Mục tiêu nghiên cứu

Luận văn xem xét các nhân tố quyết định đến tính dễ tổn thương của các

NHTM để xác định chỉ số tài chính nào đóng vai trò quan trọng trong dự báo

các Ngân hàng tổn thương.

Đưa ra mô hình dự báo tính tổn thương và đo lường mức độ chính xác

của mô hình hồi quy Binary logistic trong dự báo tính tổn thương của NHTM

Việt Nam.

1.3 Vấn đề nghiên cứu

Từ các mục tiêu nghiên cứu trên, bài nghiên cứu sẽ tập trung giải quyết vấn đề sau:

Một là, trong số các biến số đại diện cho tỷ số CAMEL(S), gồm Vốn chủ sở hữu

(C), chất lượng tài sản(A), chất lượng quản trị (M), thu nhập (E), thanh khoản (L), và

quy mô Ngân hàng (S), biến nào có ảnh hưởng mạnh nhất đến tính tổn thương của các

NHTM.

Hai là, các biến số này có thể xem như là các chỉ số dự báo tính tổn thương của

các NHTM hay không?

1.4 Đối tượng và phạm vi nghiên cứu

- Đối tượng nghiên cứu của luận văn là các NHTM đang hoạt động tại Việt Nam

- Phạm vi nghiên cứu: các NHTMCP và NHTMNN tại Việt Nam trong giai đoạn từ

năm 2008 đến 2012.

1.5 Phương pháp nghiên cứu

Để giải quyết các yêu cầu đặt ra trong bài nghiên cứu, tác giả sử dụng phương

pháp nghiên cứu định lượng với mô hình hồi quy Binary logistic.

Các kỹ thuật nghiên cứu được thực hiện thông qua phần mềm SPSS 20.

1.6 Kết cấu của đề tài

Ngoài phần tóm tắt, danh mục bảng, danh mục hình, danh mục các chữ viết tắt,

phụ lục, tài liệu tham khảo, đề tài gồm 4 chương, bao gồm:

Chương 1: Tổng quan về đề tài nghiên cứu.

Chương 2: Các nghiên cứu thực nghiệm trên thế giới

Chương 3: Phương pháp nghiên cứu và Kết quả nghiên cứu. Ở chương này,

tác giả trình bày lý thuyết về mô hình nghiên cứu, nguồn dữ liệu để thực hiện nghiên

cứu, mô tả các biến sử dụng trong bài nghiên cứu và kết quả đạt được từ nghiên cứu.

Chương 4: Hạn chế của luận văn, hướng nghiên cứu tiếp theo và những gợi ý

chính sách

CHƯƠNG 2 - NHỮNG NGHIÊN CỨU THỰC NGHIỆM

2.1 Nghiên cứu thực nghiệm của các tác giả trên thế giới

Taha Zaghdoudi (2013) đã đưa ra mô hình dự báo sự đổ vỡ của các Ngân hàng

Tunisian dùng phương pháp hồi quy Binary Logistic. Phương pháp này đã được sử

dụng trong công trình của Demirguc-Kunt and Detragiache (1998). Điểm đáng chú ý

của mô hình dự báo là xem xét đến các chỉ số vi mô của Ngân hàng. Bài nghiên cứu đã

sử dụng số liệu năm tại 64 nước bao gồm các nước phát triển và đang phát triển từ

năm 1984-1994. Kết quả cho thấy khả năng chi trả của Ngân hàng, các chỉ số hoạt

động, lợi nhuận đầu người và tỷ số đòn bẩy tài chính có tác động ngược chiều đến xác

suất phá sản của Ngân hàng.

Alexander Babanskiy (2012) nghiên cứu các nhân tố có khả năng dự báo tốt nhất

các Ngân hàng có vấn đề ở Nga. Phân tích thực nghiệm dựa vào dữ liệu của các Ngân

hàng ở Nga giai đoạn từ năm 2004 đến 2007. Dữ liệu được thu thập từ 1.000 tổ chức

tài chính ở Nga. Tác giả sử dụng mô hình tham số probit và logit để phân tích mức ý

nghĩa của các chỉ số tài chính trong các báo cáo tài chính được công bố. Biến giải thích

mà tác giả đưa vào mô hình dựa vào những nghiên cứu trước đó như: Beaver (1966),

Altman (1968), Jagtiani et al. (2002), Montgomery et al. (2005), Kolari et al. (1996),

Lanine, Vennet (2006), Poghosyan and Chhak (2009). Tác giả cũng muốn đưa các

biến vĩ mô vào mô hình nhưng theo Kennedy (1998) những biến này là những biến

không mong muốn vì thường xảy ra hiện tượng đa cộng tuyến và ảnh hưởng đến kết

quả của ước lượng trong khi chúng không phải là những biến thực sự được quan tâm.

Mô hình gồm 12 biến số độc lập: CTL = Vốn chủ sở hữu/ Tổng nợ, CTD = Vốn chủ sở

hữu/Tổng huy động, CTA = Vốn chủ sở hữu/Tổng tài sản, ROA = Lợi nhuận

ròng/Tổng tài sản, ROC = Lợi nhuận ròng/vốn chủ sở hữu, LTA = Tổng dư nợ cho

vay/ Tổng Tài sản, LDT = Tổng dư nợ cho vay/tổng huy động, LTC = Tổng dư nợ cho

vay/Vốn chủ sơ hữu, ATL = Tổng tài sản/Tổng nợ, DTA = Tổng huy động/Tổng tài

sản, Cash = tiền mặt/Tổng tài sản, Size = Ln(Tổng tài sản). Kết quả nghiên cứu là tỷ số

khả năng sinh lời, thanh khoản, Vốn là những nhân tố quan trọng dự báo các Ngân

hàng vỡ nợ. Cụ thể: tỷ suất sinh lời trên tổng tài sản, tỷ suất sinh lời trên vốn chủ sở

hữu, tổng dư nợ cho vay/tổng tài sản, vốn chủ sở hữu/Tổng huy động là những biến có

ý nghĩa trong việc dự báo các Ngân hàng phá sản. Đáng chú ý là tỷ suất sinh lời trên

vốn chủ sở hữu, tỷ lệ vốn chủ sở hữu trên tổng huy động là những nhân tố có ý nghĩa

trong thời kỳ bùng nổ khủng hoảng, trong khi tỷ suất sinh lời trên vốn chủ sở hữu là

những nhân tố quan trọng trong thời kỳ sắp xảy ra khủng hoảng. Nghiên cứu chỉ ra

rằng mô hình logit và probit dự đoán khá chính xác. Kết quả nghiên cứu cũng tương tự

như Lanie, Vennet (2006) đã sử dụng 2 mô hình này để dự báo xác xuất vỡ nợ. Đây có

thể là một công cụ hữu ích cho những người đóng vai trò giám sát Ngân hàng và cho

những ai quan tâm đến tình trạng sức khỏe Ngân hàng.

Nil Gunsel (2012) nghiên cứu thực nghiệm các nhân tố quyết định đến tính dễ

vỡ, tính tổn thương của nền kinh tế Bắc Thổ Nhĩ Kỳ từ năm 1984 đến 2008, sử dụng

mô hình Multivariate logit. Dữ liệu bảng thiết lập dữ liệu gồm các biến số vi mô của

24 NHTM cùng với các biến số kinh tế vĩ mô. Các biến số vi mô là các biến số tài

chính đại diện cho tiêu chuẩn CAMELS. Sự yếu kém của các Ngân hàng có thể thấy

qua các chỉ số tài chính: thiếu vốn (C), tín dụng vượt mức, nợ xấu (A), quản trị thiếu

hiệu quả (M), thu nhập thấp (E), rủi ro thanh khoản (L) và quy mô Ngân hàng nhỏ (S).

Tác giả đã sử dụng tổng cộng 10 biến độc lập, trong đó biến vi mô gồm: Vốn/Tổng tài

sản (C), Dư nợ cho vay/Tổng tài sản (A), Thu nhập ròng/tổng tài sản (E), Huy

động/Dư nợ cho vay (L), và log (Tổng tài sản) (S); biến vĩ mô gồm: Tăng trưởng GDP

thực, lạm phát, lãi suất thực và các điều kiện bên ngoài (điều khoản thương mại, tỷ giá

hối đoái thực và chỉ số áp lực thị trường (market pressure)). Kết quả nghiên cứu cho

rằng: thiếu vốn, lợi nhuận thấp, quy mô Ngân hàng nhỏ, tỷ lệ lạm phát cao, tỷ lệ tăng

trưởng thấp, điều khoản thương mại và áp lực thị trường bất lợi là những nhân tố xác

định các Ngân hàng rơi vào tình trạng kiệt quệ ở Bắc Thổ Nhĩ Kỳ.

Christopoulos Apostolos G. et a.l., (2011) đã phân tích các yếu tố riêng của Ngân

hàng Lehman Brothers với số liệu 5 năm trước (2003-2007), sử dụng các chỉ số

CAMELS. Bài nghiên cứu phân tích xem sự đổ vỡ của Ngân hàng này là do cuộc

khủng hoảng kinh tế toàn cầu hay do các vấn đề bên trong Ngân hàng mà cơ quan

giám sát ở Mỹ đã có thể nhìn thấy trước. Bài nghiên cứu xem xét đến các chỉ số như:

Hệ số An toàn vốn: CAR

Tỷ số chất lượng tài sản = (Nợ xấu (trên 90 ngày) – dự phòng )/Tổng dư nợ

cho vay. Tỷ số này càng thấp, chất lượng tài sản càng cao.

Tỷ số quản trị chất lượng = Chi phí quản trị/Doanh thu. Chi phí quản trị

gồm tất cả các chi phí hoạt động, doanh thu gồm lợi nhuận đã trừ đi chi phí và

các khoản lỗ.

Tỷ số thu nhập: ROA = Lợi nhuận ròng/tổng tài sản, ROE = Lợi nhuận

ròng/Vốn chủ sở hữu

Tỷ số thanh khoản: Tổng dư nợ cho vay/Tổng huy động và Tổng tài sản có

khả năng thanh toán ngay/Tổng tài sản

Tỷ số độ nhạy cảm đối với thị trường = Tổng giá trị danh mục chứng

khoán/ Tổng tài sản.

Kết quả nghiên cứu chỉ ra rằng chất lượng tín dụng thấp, quản trị không tuân theo

các luật lệ của cơ quan giám sát, phương pháp quản trị rủi ro không hiệu quả so với

quy mô của Ngân hàng này. Ngân hàng dường như dễ đỗ vỡ trước những rủi ro và

những điều kiện không ổn định mà lẽ ra cơ quan giám sát và Cục dự trữ Liên bang Mỹ

đã có thể nhìn thấy trước, khi hoạt động của Lehman Brothers có những dấu hiệu đi

xuống.

Deger Alper & Adem Anbar (2011) xem xét các nhân tố vi mô (các chỉ số tài

chính của Ngân hàng) và nhân tố vĩ mô ảnh hưởng đến khả năng sinh lời của các Ngân

hàng ở Thổ Nhĩ Kỳ giai đoạn 2002-2010. Khả năng sinh lời của Ngân hàng được đo

lường bằng chỉ số ROA và ROE. Kết quả nghiên cứu cho thấy quy mô tổng tài sản, thu

nhập phi lãi có tác động dương và có ý nghĩa đối với khả năng sinh lời của Ngân hàng.

Tuy nhiên, quy mô danh mục tín dụng và cho vay… có tác động ngược chiều đối với

khả năng sinh lời. Bài nghiên cứu đã đưa ra đề xuất: các Ngân hàng có thể cải thiện

khả năng sinh lời bằng cách tăng quy mô và thu nhập từ dịch vụ khác của Ngân hàng,

giảm tỷ lệ cho vay/tổng tài sản. Đồng thời, lãi suất thực cao cũng có thể gia tăng khả

năng sinh lời của Ngân hàng. Bài nghiên cứu cũng chỉ ra rằng việc đa dạng hóa hoạt

động ở các Ngân hàng có quy mô lớn hơn có ảnh hưởng tích cực đến tỷ suất sinh lời.

Với các biến kinh tế vĩ mô, chỉ có lãi suất thực có tác động cùng chiều với khả năng

sinh lời của Ngân hàng. Khi lãi suất thực càng cao, tỷ suất sinh lời trên vốn chủ sở hữu

càng cao. Các nhân tố vi mô khác như: an toàn vốn, thanh khoản, tỷ lệ tiền gửi/tài sản,

NIM và các nhân tố vĩ mô như tăng trưởng GDP thực, tỷ lệ lạm phát không ảnh hưởng

nhiều đến khả năng sinh lời của Ngân hàng.

Kết quả nghiên cứu của Olweny and Shipo (2011) đã cho rằng Chất lượng tài sản

thấp và thanh khoản kém là hai nguyên nhân chính khiến cho Ngân hàng bị đổ vỡ.

Chất lượng tài sản kém đã khiến nhiều Ngân hàng ở Kenya phá sản vào những năm

đầu 1980. Ongore and Kusa (2013) cho rằng vấn đề quản trị và các quyết định của Hội

đồng quản trị tác động chủ yếu đến hoạt động của các NHTM ở Kenya, còn các nhân

tố vĩ mô thì không có ý nghĩa.

Allen N. Berger & Christa H.S. Bouwman (2009) đã nghiên cứu vốn chủ sở hữu

trước khủng hoảng có ảnh hưởng như thế nào đến khả năng sống sót của các Ngân

hàng. Bài nghiên cứu đã cho thấy: vốn giúp các Ngân hàng nhỏ sống sót trong khủng

hoảng ngân hàng và khủng hoảng thị trường, giúp các Ngân hàng có quy mô trung

bình và quy mô lớn sống sót sau khủng hoảng ngân hàng.

Lanine and Vennet (2006) áp dụng mô hình cảnh báo sớm (EWS) sử dụng

phương pháp hồi quy logit, phương pháp thi tham số và kiểm định mức độ chính xác

của mô hình dự báo. Trong bài nghiên cứu, các tác giả đã phân biệt 3 loại rủi ro: thanh

khoản, rủi ro không trả được nợ, và rủi ro về vốn mà Ngân hàng phải đối mặt. Các

biến sau được đưa vào bài nghiên cứu: Thu nhập ròng/tổng tài sản, Tài sản thanh

khoản/tổng tài sản, Trái phiếu chính phủ/tổng tài sản, Vốn/tổng tài sản, Nợ vay/tổng

tài sản, Quy mô tổng tài sản…Kết quả nghiên cứu cho thấy cả 2 mô hình logit và

phương pháp thi tham số đều không có khả năng dự báo cao, nhưng cùng với các công

cụ phân tích khác thì đó là những công cụ hữu ích cho người làm công tác giám sát

Ngân hàng.

Ridwan Nurazi & Michael Evans (2005) nghiên cứu xem liệu các chỉ số

CAMEL(s) có thể sử dụng như là các nhân tố dự báo sự đỗ vỡ của các Ngân hàng hay

không? Bài nghiên cứu đã sử dụng 13 biến đại diện cho các chỉ số CAMEL, một biến

đại diện cho độ nhạy cảm với rủi ro thị trường và một biến đại diện cho quy mô Ngân

hàng. Tác giả đã sử dụng hồi quy bội Binary logistic. Đồng thời để đánh giá tính đồng

nhất với mô hình Binary Logistic, tác giả cũng tiến hành phân tích biệt số MDA. Hồi

quy Binary logistic cho kết quả tương tự như MDA và có thể được xem như một hệ

thống cảnh báo sớm để xác định, dự báo sự đổ vỡ của các Ngân hàng và có thể sử

dụng để kiểm tra tại chỗ. Kết quả hồi quy cho thấy biến số ECTA (tỷ số vốn), RORA

(chất lượng tài sản), ROA (quản trị), OEOI (thu nhập), CBTD (thanh khoản), và LGBS

(quy mô Ngân hàng) là những biến có ý nghĩa trong việc giải thích sự đổ vỡ của các

Ngân hàng. Kết quả nghiên cứu cũng cho thấy các Ngân hàng thuộc sở hữu tư nhân có

khả năng phá sản cao hơn các Ngân hàng thuộc sở hữu nhà nước.

Montgomerry et al (2004) đã nghiên cứu nguyên nhân gây ra tình trạng phá sản

của các Ngân hàng ở Nhật Bản và Indonesia. Các tác giả đã sử dụng hồi quy logistic

với các biến số độc lập là các tỷ số tài chính, nghiên cứu trong giai đoạn 1997-2003.

Kết quả nghiên cứu cho thấy dư nợ cho vay/tổng tài sản, dư nợ cho vay/tổng huy động,

tỷ lệ nợ xấu là những chỉ số dự báo có ý nghĩa nhất.

Wheelock D.C&Wilson P.W (2000) nghiên cứu những nhân tố dự báo Ngân

hàng phá sản ở Mỹ. Kết quả nghiên cứu cho thấy các Ngân hàng có tỷ lệ vốn hóa thấp

hơn, dư nợ trên tổng tài sản cao hơn, chất lượng khoản vay kém, lợi nhuận thấp có rủi

ro bị phá sản cao hơn.

Demirguc-Kunt và Detragiache (1998) cho rằng khủng hoảng ngân hàng có xu

hướng tăng lên khi môi trường vĩ mô yếu kém, thiếu ổn định, đặc biệt khi tốc độ tăng

trưởng thấp và lạm phát cao. Đồng thời, lãi suất thực tăng cao cũng ảnh hưởng đến khu

vực Ngân hàng.

2.2 Kinh nghiệm xử lý nợ xấu của một số quốc gia và bài học cho Việt Nam

a. Hàn Quốc

Những yếu kém trong cấu trúc của nền kinh tế Hàn Quốc là vốn dựa quá nhiều

vào việc mở rộng thị trường và vay mượn, cộng với việc dòng vốn nước ngoài bị các

nhà đầu tư nước ngoài rút ra trong cuộc khủng hoảng tiền tệ năm 1997 đã dẫn tới cuộc

khủng hoảng tín dụng và sau đó là khủng hoảng tiền tệ tại quốc gia này.

Chính phủ Hàn Quốc đã quyết định trong số 118 nghìn tỷ Won nợ xấu, số nợ xấu

trị giá 100 nghìn tỷ Won (bao gồm 68 tỷ Won các khoản nợ quá hạn trên 6 tháng và có

nguy cơ vỡ nợ cao, một phần các khoản nợ quá hạn từ 3 đến 6 tháng, và các khoản nợ

xấu có thể phát sinh trong quá trình xử lý nợ xấu) cần được xử lý ngay lập tức bằng 2

biện pháp: (1) Buộc các tổ chức tín dụng phải sử dụng vốn để xử lý một nửa giá trị các

khoản nợ xấu bằng việc yêu cầu các khách hàng trả nợ hoặc bán tài sản thế chấp; (2)

để Công ty Quản lý Tài sản Hàn Quốc (Korean Asset Management Corporation-

KAMCO) mua lại một nửa các khoản nợ xấu.

Để thực hiện quá trình xử lý nợ xấu, Chính phủ Hàn Quốc đã áp dụng tiêu chuẩn

phân loại nợ quốc tế để đánh giá thực trạng nợ xấu của các Tổ chức tài chính. Theo đó,

các Tổ chức tài chính được yêu cầu phân loại nợ quá hạn từ 3 tháng trở lên là nợ xấu,

đến phân loại những khoản nợ dựa trên khả năng tài chính của khách hàng vay vốn

trong tương lai đối với việc hoàn thành nghĩa vụ với ngân hàng, và ở mức độ thắt chặt

hơn nữa khi phân loại các khoản vay có mức độ rủi ro lớn ngay cả khi khách hàng trả

được lãi vào nhóm nợ xấu. Theo tiêu chí phân loại nợ, 68 nghìn tỷ Won nợ xấu quá

hạn trên 6 tháng đã tăng lên 88 nghìn tỷ Won vào cuối năm 1999.

Để giải quyết khoản nợ xấu tương đương 27% GDP đi kèm với tái cấu trúc hệ

thống tài chính đang suy yếu, Chính phủ Hàn Quốc đã huy động tới 157 nghìn tỷ Won.

Trong số này, 60 nghìn tỷ Won được sử dụng để bơm vốn thêm vào cho các Tổ chức

tài chính, 39 nghìn tỷ Won được sử dụng để mua các khoản nợ xấu từ các Tổ chức tài

chính, 26 nghìn tỷ Won để trả cho người gửi tiền của các Tổ chức tài chính bị vỡ nợ…

Trong số 157 nghìn tỷ Won thì 104 nghìn tỷ Won được huy động thông qua phát hành

trái phiếu của Hiệp hội Bảo hiểm Tiền gửi Hàn Quốc (Korean Deposit Insurance

Corporation- KDIC) và KAMCO được Chính phủ bảo lãnh. Khoản tiền huy động này

được thu hồi tới 56% thông qua việc bán lại cổ phần của các ngân hàng đã được bơm

vốn, giá trị thu hồi được từ xử lý các khoàn nợ xấu và bán các tài sản thế chấp. Số tiền

không thu hồi được được chuyển thành khoản nợ của Chính phủ thông qua việc

chuyển các trái phiếu thành trái phiếu Chính phủ, tăng phí bảo hiểm tiền gửi…

KAMCO ưu tiên mua các khoản nợ mà có thể dễ dàng chuyển giao quyền thu nợ,

các khoản nợ có thể giúp các Tổ chức tài chính khôi phục lại hoạt động và hình ảnh

trước công chúng, và các khoản cho vay đồng tài trợ. Quy trình đánh giá các khoản

vay được tiến hành kỹ lưỡng nhằm bảo đảm các khoản nợ mua về vừa hỗ trợ được các

Tổ chức tài chính, vừa bảo đảm được hiệu quả hoạt động của Công ty. Các khoản nợ

do KAMCO mua lại được chia thành 6 nhóm: Nợ thông thường có bảo đảm

(chiếm17,9% tổng tiền), nợ thông thường không có bảo đảm (5,8%), nợ đặc biệt có

bảo đảm (32,2%), nợ đặc biệt không có bảo đảm (10,6%), nợ của tập đoàn Daewoo

(32%) và nợ được gia hạn lại (1,5%) với mức giá so với giá trị khoản vay tương ứng là

67%, 11,4%, 47,4%, 29%, 35,9% và 23,1%. Khoản nợ xấu được định giá dựa trên khả

năng thu hồi nợ, tài sản bảo đảm và phương pháp định giá được thay đổi tùy theo từng

thời kỳ. Đa phần các khoản tiền được sử dụng để mua nợ từ các ngân hàng (chiếm

62,1%), công ty ủy thác đầu tư (21,1%) và công ty bảo hiểm (4,5%). Tổng cộng,

KAMCO đã bỏ ra 39,7 nghìn tỷ Won; chiếm tới 36% giá trị các khoản vay, 110,1

nghìn tỷ Won, để mua các khoản nợ xấu trong vòng 5 năm từ năm 1997 đến 2002.

Sau khi mua lại, KAMCO sẽ nhóm các khoản nợ xấu này lại để phát hành các

chứng khoán có đảm bảo bằng tài sản dựa trên các khoản nợ xấu đã mua hoặc bán cho

các nhà đầu tư thông qua đấu giá quốc tế cạnh tranh. Luật Chứng khoán có bảo đảm

bằng tài sản đã được ban hành để thúc đẩy việc bán các khoản nợ cho các công ty có

chức năng chứng khoán hóa các khoản xấu và bán lại cho các nhà đầu tư. Hàn Quốc đã

rất thành công trong việc thu hút các nhà đầu tư nước ngoài đầu tư vào xử lý nợ xấu

thông qua mua các trái phiếu được bảo đảm bằng các khoản nợ xấu cũng như mua các

khoản nợ xấu thông qua đấu giá. Chính sự thành công trong việc thu hút các nhà đầu

tư nước ngoài đã khuyến khích các nhà đầu tư trong nước đầu tư vào các chứng khoán

cũng như các khoản nợ xấu này. Bên cạnh đó, KAMCO cũng tịch thu tài sản thế chấp

của các khoản nợ có đảm bảo để bán thu hồi lại tiền. KAMCO nắm giữ các khoản nợ

xấu và cố gắng tái cơ cấu nợ, tái tài trợ hay chuyển đổi nợ thành vốn chủ sở hữu nếu

công ty đó có khả năng hồi phục, giảm lãi suất, giãn nợ… Ngoài ra, còn có các biện

pháp khác như truy đòi lại chủ nợ ban đầu của khoản nợ xấu, bán khoản nợ cho các

công ty quản lý tài sản, công ty tái cơ cấu doanh nghiệp để mua lại cổ phiếu của các

công ty này và tiến hành tái cơ cấu lại hoạt động của công ty… Trong khoảng thời

gian từ năm 1997 đến 2002, KAMCO đã thu hồi được 30,3 nghìn tỷ Won, tương ứng

với tỷ lệ thu hồi là 46,8% trên giá trị khoản nợ.

Nhờ sử dụng đồng loạt các biện pháp xử lý nợ xấu, tỷ lệ nợ xấu đã giảm từ

17,7% vào năm 1998 xuống còn 14,9%, 10,4%, 5,6%, và 3,9% vào các năm 1999,

2000, 2001 và 2002. Hàn Quốc đã thực hiện thành công việc giải quyết nợ xấu, tái cơ

cấu doanh nghiệp, tái cơ cấu khu vực tài chính góp phần ổn định nền kinh tế là do

Chính phủ Hàn Quốc đã có những can thiệp nhanh chóng, kịp thời và toàn diện, triển

khai các biện pháp xử lý nợ xấu hợp lý khi đưa KAMCO vào hoạt động và phát triển

thị trường thứ cấp cho các khoản nợ xấu, các chứng khoán được bảo đảm bằng nợ xấu

được tiến hành giao dịch thuận lợi, thu hút các nhà đầu tư.

b. Trung Quốc

Khác với các quốc gia châu Á khác như Nhật Bản và Thái Lan, nợ xấu là kết quả

của những vụ sụp đổ thị trường tài chính và bong bóng tài sản thì nguyên nhân gây ra

nợ xấu của Trung Quốc chính là cơ chế kinh tế kế hoạch hóa tập trung, khi hoạt động

của các NHTMNN lớn chỉ như những cơ quan hành chính Nhà nước, có nhiệm vụ cho

vay theo chỉ định cho các công ty và dự án Nhà nước vốn làm ăn kém hiệu quả, thậm

chí thua lỗ. Những khoản vay này cũng không qua quy trình phân tích tín dụng chặt

chẽ nên rủi ro tín dụng là điều không tránh khỏi.

Một trong những quá trình xử lý nợ xấu của Trung Quốc là đánh dấu bằng sự

thành lập của 4 công ty quản lý tài sản được Chính phủ tài trợ (Asset Management

Corporation- AMC), mỗi công ty tương ứng với một trong số 4 NHTMNN lớn (chiếm

tới 70% tổng tài sản của hệ thống ngân hàng), nhằm giải quyết những khoản nợ xấu

của 4 ngân hàng này từ trước năm 1996 có tổng giá trị lên tới 1,4 nghìn tỷ NDT (169

tỷ USD), chiếm 19% GDP của Trung Quốc năm 1999 (Bing Wang and Richard Peiser,

2007). Các khoản nợ xấu được chuyển giao tại mức giá trị sổ sách trực tiếp từ 4

NHTM cho 4 AMC tương ứng được thực hiện suốt năm 1999 và 2000 và trách nhiệm

của 4 AMC này là phải xử lý hết các khoản nợ xấu này trong vòng 10 năm.

Theo quy định của Chính phủ, các AMC có 4 phương thức để huy động vốn bao

gồm: Vốn từ Bộ Tài chính, khoản vay đặc biệt từ Ngân hàng Trung ương Trung Quốc,

phát hành trái phiếu có bảo lãnh của Bộ Tài chính, và vay thương mại từ các định chế

tài chính khác. Trên thực tế, để thực hiện mua lại khoản nợ xấu khổng lồ kể trên, các

AMC đã phải vay tới 40% từ Ngân hàng Trung ương Trung Quốc, 60% còn lại được

tài trợ bằng trái phiếu của AMC phát hành cho 4 NHTMNN.

Các AMC đã sử dụng nhiều biện pháp để xử lý nợ xấu bao gồm thanh lý tài sản,

bán tài sản trực tiếp cho các nhà đầu tư và chứng khoán hóa những khoản nợ xấu này.

Việc xử lý nợ xấu của Trung Quốc còn gắn liền với tái cơ cấu DNNN nên các AMC

cũng có vai trò trong quá trình tái cơ cấu DNNN thông qua các biện pháp hoán đổi nợ

thành cổ phần và tái cấu trúc doanh nghiệp. Các AMC đã tích cực bán, đấu giá và cơ

cấu lại các khoản nợ xấu, nhà bị tịch thu, kiện tụng và thanh lý. Cuối năm 2001, các

cuộc đấu giá quốc tế nợ xấu đầu tiên tại Trung Quốc đã diễn ra, với việc bán các khoản

nợ xấu trị giá 13 tỷ NDT của Huarong AMC cho 2 tổ chức quốc tế. Đó là một mốc

quan trọng bởi vì lần đầu tiên thông tin về giá cả thị trường của các khoản nợ xấu được

tiết lộ một cách đáng tin cậy. Được biết, Huarong AMC đã nhận được tối đa 21% giá

trị sổ sách của khoản nợ.

Với quy mô nợ xấu lớn của Trung Quốc, chứng khoán hóa cũng là một cách hiệu

quả để xử lý nợ xấu, bởi chúng tạo ra các loại chứng khoán có rủi ro khác nhau nên có

thể thu hút được nhiều nhà đầu tư có khẩu vị rủi ro khác nhau và thu lại được tiền mặt

ngay lập tức cho tổ chức phát hành. Nghiệp vụ chứng khoán hóa các khoản nợ xấu ở

Trung Quốc được thực hiện không chỉ có sự tham gia của các AMC mà còn bởi các

NHTM khác với tỷ lệ thu hồi được báo cáo là từ 10-30%.

Về hoán đổi nợ thành cổ phần, năm 1999 các AMC đã mua lại các khoản nợ xấu

giá trị 405 tỷ NDT của 580 DNNN quy mô lớn và vừa được lựa chọn tại 4 NHTMNN

và thực hiện chuyển đổi các khoản nợ phải trả thành cổ phần của AMC trong các

doanh nghiệp này. Kết quả là tỷ lệ trung bình các khoản nợ/tài sản trong DNNN tái

cấu trúc giảm xuống từ 73% năm 1999 xuống dưới 50% năm 2000 (Ye and Zhai,

2001). Các AMC sẽ tham gia vào quản trị doanh nghiệp, tái cấu trúc doanh nghiệp và

khi các doanh nghiệp này hoạt động có lợi nhuận trở lại, các AMC có quyền nhận cổ

tức và bán lại cổ phần cho các doanh nghiệp với mức giá thỏa thuận trước trong vòng

10 năm. Hơn nữa, các AMC cũng được ưu tiên rút vốn khỏi các doanh nghiệp này khi

niêm yết trên thị trường chứng khoán. Đây chính là khoản tiền mặt mà các AMC có

thể thu hồi được từ nợ xấu thông qua hoán đổi nợ thành cổ phần tại các DNNN.

Thông qua các biện pháp xử lý nợ xấu, đến cuối năm 2004, 4 AMC này chỉ thu

hồi được 675 tỷ NDT, chưa đến 40% giá trị nợ xấu được chuyển giao từ năm 1999. Tỷ

lệ thu hồi tiền mặt tại các AMC tính đến tháng 12/2004 đạt khoảng 20%, thấp hơn

nhiều so với mức 49% của Thái Lan và mức 20-30% ước tính của Nhật Bản. Cho đến

nay, thời hạn hoạt động của các AMC đã kết thúc nhưng vẫn chưa có công bố cụ thể

nào về tỷ lệ thu hồi thực sự của 4 AMC này. Tỷ lệ thu hồi và tốc độ thu hồi của Trung

Quốc thấp hơn chủ yếu là do chất lượng tài sản thấp, quy định mua lại nợ xấu theo giá

trị sổ sách, và tính thiếu minh bạch tại các AMC.

Các khoản nợ xấu được mua lại phát sinh từ trước năm 1996, mà chủ yếu là do

việc đầu tư vào các dự án đã bị đình trệ do vi phạm các quy định về sử dụng đất đai,

môi trường và các quy định khác. Ngoài ra, theo các AMC ước tính, chỉ có khoảng

22% các khoản nợ được bảo đảm bằng bất động sản, quyền sở hữu trí tuệ, hoặc các

loại chứng khoán khác, trong đó tỷ lệ được bảo đảm bằng bất động sản chỉ chiếm 7%

tổng giá trị khoản nợ xấu (Xu, 2005), nên khả năng thanh lý tài sản để thu hồi nợ là

thấp. Điều này làm giảm giá trị của các khoản nợ đối với các nhà đầu tư.

Việc quy định mua lại các khoản nợ xấu theo giá trị sổ sách trong khi giá trị thị

trường tại thời điểm đó được ước tính chỉ khoảng 20% giá trị sổ sách đã giúp các

NHTM Nhà nước lớn loại những khoản nợ xấu lớn khỏi bảng tổng kết tài sản của

mình, nhưng đã gây ra những khoản thua lỗ không thể tránh khỏi đối với các AMC, và

khiến các AMC mất động lực để tối đa hóa mức giá thu hồi. Vì tính không hợp lý của

quy định này nên năm 2004, các AMC đã được phép mua lại nợ xấu với giá thị trường.

Vào tháng 7/2004, Cinda AMC đã mua lại 278,7 tỷ nợ xấu với mức 50 cent cho 1

USD và cho biết khả năng thu hồi là 33-34 cent cho 1 USD vào cuối năm 2005. Mặc

dù mức giá mua lại vẫn còn cao hơn so với khả năng thu hồi, nhưng việc này cũng

phần nào là bước đi phù hợp tạo động lực gia tăng tỷ lệ thu hồi cho các AMC.

Kết quả của việc xử lý nợ xấu là chất lượng tài sản tại 4 NHTMNN được cải

thiện đáng kể và đã tiến hành niêm yết ra công chúng sau khi được tái cơ cấu vốn.

c. Hungary

Xử lý thì nợ xấu tại Hungary được chia làm hai nhóm: Các khoản nợ lớn và phức

tạp được giao cho một cơ quan trực thuộc Chính phủ và Ngân hàng Phát triển Hungary

(Hungary Development Bank- HDB) giải quyết. Các khoản nợ còn lại do các ngân

hàng tự giải quyết theo thỏa thuận của ngân hàng với Bộ Tài chính. Quá trình xử lý nợ

xấu tại Hungary bao gồm 3 quá trình nối tiếp nhau: Làm sạch danh mục vốn đầu tư

của các ngân hàng; xóa nợ cho các DNNN quan trọng và tái cấp vốn cho các ngân

hàng.

Đầu tiên, Hungary thực hiện lành mạnh hóa danh mục vốn đầu tư của các ngân

hàng. Hungary cho phép các ngân hàng chuyển các khoản nợ xấu hoặc nợ cũ sang trái

phiếu kỳ hạn 20 năm. Một cơ quan thu hồi nợ xấu được thành lập vào tháng 12/1992,

cơ quan này dùng trái phiếu chính phủ để đổi lấy các khoản nợ xấu được coi là các

khoản nợ lớn và quan trọng. Cơ quan này có quyền bán các khoản nợ xấu hoặc tham

gia vào quá trình tái cấu trúc các doanh nghiệp không có khả năng trả nợ. Đối với các

khoản nợ xấu còn lại, các ngân hàng tự giải quyết theo hợp đồng với Bộ Tài chính, và

hạn chế các khoản cho vay mới. Để khuyến khích các ngân hàng tự xử lý vấn đề nợ

xấu, Chính phủ Hungary cấp cho các ngân hàng 2% phí xử lý nợ xấu. Trên thực tế,

mức trợ cấp này là quá thấp nên hầu hết các ngân hàng đã tìm cách bán các khoản nợ

xấu cho các công ty xử lý nợ xấu tư nhân trên thị trường. Những khoản nợ xấu không

thể giải quyết và không thể bán cuối cùng lại chuyển giao cho HDB và trong hầu hết

trường hợp, HDB đã phải xóa nợ các khoản nợ xấu này. Chi phí cho quá trình lành

mạnh hóa danh mục đầu tư của các ngân hàng tương đương 3,7% GDP Hungary thời

điểm đó. Tuy nhiên, công tác xử lý nợ xấu nêu trên tại Hungary chỉ mang tính chất tạm

thời và cũng chỉ có kết quả hạn chế do: (i) Việc chuyển các khoản nợ xấu sang trái

phiếu không bao gồm các khoản nợ còn nghi ngờ và các khoản nợ dưới chuẩn (tương

đương nợ nhóm 3 và nhóm 4 tại Việt Nam); (ii) giải pháp trên chưa giải quyết được

vấn đề đầu tư kém hiệu quả của các ngân hàng; (iii) quá trình xử lý nợ xấu không đi

kèm với sự thay đổi trong cách quản lý và hoạt động của ngân hàng và (iv) Chính phủ

Hungary yêu cầu một công ty kiểm toán tham gia vào quá trình làm sạch danh mục

đầu tư của các ngân hàng nhưng công tác kiểm toán thực hiện quá nhanh và sơ sài.

Tuy nhiên, vấn đề nợ xấu trong hệ thống ngân hàng Hungary chưa thể được giải

quyết do hoạt động ngân hàng không hiệu quả vẫn tiếp diễn. Chính vì vậy, Chính phủ

Hungary đã quyết định xử lý nợ xấu trực tiếp từ hai chủ thể chính liên quan đến vấn đề

nợ xấu là các DNNN và ngân hàng. Chính phủ Hungary đã xóa nợ cho các DNNN mà

Chính phủ coi là quan trọng. Các khoản nợ xấu này được xóa trên bảng cân đối của

ngân hàng; đổi lại ngân hàng sẽ được nhận trái phiếu chính phủ kỳ hạn 20 năm. Chi

phí cho công tác xóa nợ này tương đương khoảng 1,6% GDP. Tuy nhiên, tỷ lệ nợ xấu

tại Hungary vẫn ở mức cao, xấp xỉ 30% vào năm 1993 do Hungary bắt đầu áp dụng

cách phân loại nợ mới theo tiêu chuẩn quốc tế, nên một số khoản nợ xấu mới đã xuất

hiện. Trong khi đó, tình trạng tài chính của các doanh nghiệp mắc nợ vẫn tiếp tục bị

xấu đi.

Do vậy, Hungary quyết định sẽ tái cấp vốn cho các ngân hàng nhằm giúp các

ngân hàng đạt được tỷ lệ CAR 8%. Tái cấp vốn được thực hiện dưới hình thức Chính

phủ dùng trái phiếu Chính phủ để mua các cổ phiếu mới phát hành của các ngân hàng

nằm trong chương trình tái cấp vốn. Kết quả là sở hữu Nhà nước trong ngân hàng tăng

tạm thời. Sau đó, Hungary gia hạn cho các khoản vay phụ cho các ngân hàng nhằm

không làm gia tăng sở hữu Nhà nước trong hệ thống ngân hàng. Tiếp theo, các ngân

hàng phải tự giải quyết nợ xấu. Hầu hết các ngân hàng đều được yêu cầu thành lập một

bộ phận riêng để giải quyết nợ xấu (ngay trong chính ngân hàng hoặc một bộ phận độc

lập). Việc này sẽ giúp tách bạch được hoạt động xử lý nợ xấu với các hoạt động bình

thường của ngân hàng và giúp phân loại được ngân hàng tốt và xấu cho quá trình tư

nhân hóa. Các ngân hàng được tái cấp vốn được yêu cầu phải nộp một kế hoạch củng

cố hoạt động cụ thể nhằm lành mạnh hóa hoạt động (bao gồm hợp lý hóa công tác

quản lý, cải cách kiểm soát nội bộ và hiện đại hóa hoạt động ngân hàng). Việc triển

khai thực hiện đề xuất tiến hành theo một bản thỏa thuận ký kết giữa ngân hàng và Bộ

Tài chính.

d. Kinh nghiệm cho Việt Nam

- Thành lập AMC trực thuộc NHNN

Như kinh nghiệm của các quốc gia, việc thành lập cơ quan xử lý nợ xấu chuyên

biệt trực thuộc Chính phủ (có thể ủy quyền cho NHNN thực hiện quản lý) là điều hết

sức cần thiết. Tuy nhiên, cơ quan này sẽ xử lý một phần nợ xấu của các NHTM. Cụ

thể, cơ quan này nên tập trung vào xử lý nợ xấu của các tập đoàn, DNNN tại các

NHTM. Việc xử lý có thể thực hiện theo một trong những phương thức sau:

 Xóa nợ thông quaviệc thay thế bằng các trái phiếu do Chính phủ phát hành.

Theo mô hình của Hungary, NHNN có thể cho phép các ngân hàng chuyển các

khoản nợ xấu hoặc nợ cũ sang trái phiếu kỳ hạn 20 năm. Cơ quan chuyên biệt xử

lý nợ của Chính phủ sẽ dùng trái phiếu Chính phủ để đổi lấy các khoản nợ xấu

được coi là các khoản nợ lớn và quan trọng. Cơ quan này có quyền bán các

khoản nợ xấu hoặc tham gia vào quá trình tái cấu trúc các doanh nghiệp không

có khả năng trả nợ.

 Hoán đổi các khoản nợ của tập đoàn kinh tế và DNNN với các NHTM cho

vay (gồm cả các NHTM Cổ phần và NHTM có vốn Nhà nước chi phối) thành

vốn cổ phần. Theo đó, sở hữu Nhà nước sẽ gia tăng trong một số NHTM (gồm

cả NHTM cổ phần). Điều này tuy tốn chi phí nhưng sẽ tạo thuận lợi cho NHNN

trong chỉ đạo việc hợp nhất, sáp nhập các NHTM phục vụ quá trình tái cơ cấu hệ

thống ngân hàng.

Nguồn vốn của cơ quan quản lý nợ xấu chuyên biệt trên nên hình thành từ việc phát

hành trái phiếu do Chính phủ bảo lãnh. Trên thực tế, hoạt động của NHTM Việt Nam

nếu được tái cấu trúc thành công và kinh doanh trong một môi trường thuận lợi thì sẽ

tạo lượng lợi nhuận rất lớn (điều này đã được chứng minh trong giai đoạn từ 2005

đến 2009), tăng tính khả thi trong việc hoàn trả các khoản nợ trái phiếu được bảo

lãnh bởi Chính phủ.

- Thành lập các AMC trực thuộc NHTM

Theo tính toán, đến nay các NHTM đã trích lập dự phòng tín dụng 70.000 tỷ đồng,

trong đó 84% nợ xấu có tài sản đảm bảo với giá trị tài sản đảm bảo tương đương

130% giá trị các khoản nợ và đa phần là bảo đảm bằng bất động sản. Như vậy, các

NHTM hoàn toàn có thể chủ động xử lý các khoản nợ xấu của mình (với điều kiện là

có tài sản bảo đảm). Vấn đề là phải xây dựng cơ chế hợp lý. Cơ chế phải đảm bảo

được 5 nguyên tắc: (1) Hỗ trợ các NHTM thu hồi được vốn đã đầu tư vào nợ xấu

nhanh chóng nhưng không gây ra tổn thất quá lớn cho các NHTM; (2) việc thu hồi

nợ xấu không làm trầm trọng thêm tình hình thị trường bất động sản; (3) giảm thiểu

tối đa thiệt hại của các nhà đầu tư; (4) giảm thiểu tối đa chi phí của Chính phủ; (5)

tách biệt hoạt động xử lý nợ xấu và hoạt động kinh doanh của NHTM. Căn cứ theo

kinh nghiệm của 3 quốc gia được nghiên cứu trên, nên thực hiện cơ chế như sau:

 Các NHTM bắt buộc phải sử dụng dự phòng để xử lý những khoản vay đối

với các doanh nghiệp tư nhân mà không có tài sản bảo đảm hoặc có tài sản bảo

đảm nhưng sụt giảm nghiêm trọng giá trị hoặc tranh chấp pháp lý quá phức tạp.

 Tất cả các NHTM có nợ xấu bắt buộc phải thành lập công ty quản lý nợ

(AMC) để tách hoạt động xử lý nợ xấu khỏi hoạt động kinh doanh của NHTM.

 Các NHTM sẽ nhóm toàn bộ các khoản nợ xấu này lại và bán cho các AMC

trực thuộc NHTM. Các AMC của NHTM sẽ căn cứ theo mức độ rủi ro của các

khoản nợ, giá trị thực của tài sản bảo đảm để phát hành ra các loại trái phiếu

(đây là một dạng của phương thức chứng khoán hóa các khoản vay có bảo

đảm). Chẳng hạn, AMC có thể chia trái phiếu thành 3 hạng ứng với 3 nhóm nợ

là nhóm 3, 4 và 5. Mỗi loại này sẽ có mức lãi suất khác nhau nhưng tối thiểu

phải cao hơn lãi suất tiền gửi cùng kỳ hạn. Số tiền thu hồi này sẽ được chuyển

cho NHTM để phục vụ việc cho vay các hoạt động kinh doanh, sản xuất.

 Chính phủ nên thực hiện bảo lãnh với các trái phiếu trên đồng thời thành lập

cơ quan quản lý bất động sản trực thuộc Chính phủ để quản lý các bất động

sản trong trường hợp Chính phủ phải thực hiện chi trả bảo lãnh cho các trái

phiếu. Chỉ với sự bảo lãnh của Chính phủ thì các nhà đầu tư trong nước và

quốc tế mới thấy được sự hấp dẫn từ các loại trái phiếu trên. Hơn thế, sự trầm

lắng của bất động sản cũng như hoạt động tín dụng bất động sản chỉ là tạm thời

ở Việt Nam nếu nhìn toàn bộ chu kỳ phát triển của thị trường này tại Việt Nam

từ năm 1991 đến nay. Khi thị trường phục hồi thì mọi thứ sẽ trở lại quỹ đạo

tích cực. Vấn đề là cơ chế phải tạo điều kiện cho các NHTM và thị trường vượt

qua giai đoạn khó khăn hiện nay.

 Chính phủ nên giao nhiệm vụ rõ ràng cho NHNN trong việc ban hành quy

chế về hoạt động AMC cũng như hoạt động chứng khoán hóa. Đồng thời xác

định rõ trách nhiệm của NHNN trong việc giám sát hoạt động trên, tránh tối đa

các NHTM sử dụng nghiệp vụ chứng khoán hóa trên để làm gia tăng rủi ro hệ

thống (giống trường hợp của Mỹ giai đoạn 2007-2009).

KẾT LUẬN CHƯƠNG 2

Trong chương 2, luận văn đã tổng kết và trình bày các nghiên cứu thực nghiệm

trên thế giới về các nhân tố gây vi mô và vĩ mô tác động đến sự tổn thương, đổ vỡ các

Ngân hàng. Bằng các nghiên cứu định lượng, các tác giả đã xây dựng mô hình dự báo

để có thể đưa ra những cảnh báo kịp thời nhằm hạn chế tổn thất khi khủng hoảng xảy

ra. Những nghiên cứu thực nghiệm này đã giúp làm sáng tỏ vấn đề nghiên cứu của

luận văn trong chương 3.

CHƯƠNG 3 -PHƯƠNG PHÁP VÀ KẾT QUẢ NGHIÊN CỨU

3.1. Phương pháp nghiên cứu

3.1.1 Mô hình kinh tế lượng

MÔ HÌNH HỒI QUI BINARY LOGISTIC

Hồi qui logistic là một kỹ thuật phân tích hồi qui trong đó biến số phụ thuộc (Y)

là một biến số nhị phân (– binary variable), theo đó Y thường được mã hoá là 1 và 0

(Y = 1, thành công; Y = 0, thất bại). Biến số độc lập trong hồi qui logistic có thể là

biến số rời hoặc liên tục, biến số đơn hoặc đa biến số.

Hồi quy Binary Logistic sử dụng biến phụ thuộc dạng nhị phân để ước lượng xác

suất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được.

Với hồi quy Binary Logistic, thông tin chúng ta cần thu thập về biến phụ thuộc là

một sự kiện nào đó có xảy ra hay không, biến phụ thuộc Y lúc này có 2 giá trị 0 và 1,

với 0 là không xảy ra sự kiện ta quan tâm và 1 là có xảy ra, và tất nhiên là cả biến độc

lập X. Từ biến phụ thuộc nhị phân này, một thủ tục sẽ được dùng để dự đoán xác suất

sự kiện xảy ra theo nguyên tắc nếu xác suất được dự đoán lớn hơn 0,5 thì kết quả dự

đoán sẽ cho là “có” xảy ra sự kiện, ngược lại thì kết quả dự đoán là “không.

Mô hình hàm Binary Logistic trong trường hợp chỉ có một biến độc lập X:

P= E(Y=1/X) =

𝑒(𝐵0+𝐵1𝑋) 1+𝑒(𝐵0+𝐵1𝑋)

Pi= E(Y=1/X) = P (Y=1) gọi là xác suất để sự kiện xảy ra (Y=1) khi biến độc lập

X có giá trị cụ thể là Xi. Ký hiệu biểu thức

𝑒(𝐵0+𝐵1𝑋) 1+𝑒(𝐵0+𝐵1𝑋) là z , ta viết lại mô hình Binary

Logistic như sau:

𝑃(𝑌 = 1) =

𝑒 𝑧 1 + 𝑒𝑧

Vì vậy xác xuất không xảy ra sự kiện là:

𝑃(𝑌 = 0) = 1 − 𝑃(𝑌 = 1) = 1 −

𝑒 𝑧 1 + 𝑒𝑧

Thực hiện phép so sánh giữa xác suất một sự kiện xảy ra và xác suất một sự kiện

không xảy ra, tỷ lệ chênh lệch:

𝑒𝑧 1+𝑒𝑧

𝑃(𝑌 = 1) 𝑃(𝑌 = 0)

1 −

𝑒𝑧 1+𝑒𝑧

Lấy log cơ số e của phương trình trên rồi thực hiện biến đổi vế phải ta được kết quả:

𝑃(𝑌=1)

Loge=

=log𝑒𝑒𝑧

𝑃(𝑌=0)

Vì log𝑒𝑒𝑧= z nên kết quả cuối cùng là:

𝑃(𝑌=1)

loge [

] =β0 + β1X

𝑃(𝑌=𝑂)

𝑃𝑖

Hay viết cách khác: Loge=[

] =β0 + β1X (*) là dạng hàm hồi quy Binary Logistic.

1−𝑃𝑖

Có thể mở rộng mô hình Binary Logistic cho 2 hay nhiều biến độc lập Xk:

𝑃(𝑌=1)

loge [

] = loge =

= log (odds)= β0 + β1X1 + β2X2 +…..+ βkXk

𝑃(𝑌=𝑂)

1−Pi

Trong đó:

Pi: xác xuất sự kiện xảy ra đối với biến phụ thuộc nhị phân

βi: các hệ số hồi qui; Xi: biến độc lập

Hệ số Odds:

: tỉ lệ xác suất xảy ra sự kiện (thành công) với xác suất không xảy ra

1−Pi

sự kiện (thất bại). Hay nói cách khác là khả năng xảy ra sự kiện gấp bao nhiêu lần so

với không xảy ra.

3.1.2 Mẫu nghiên cứu

Tại thời điểm năm 2008, Việt Nam có 37 NHTMCP và 5 NHTMNN. Đến cuối

năm 2012, 3 trong số 37 NNTMCP bị hợp nhất, sáp nhập: Habubank, Việt Nam Tín

Nghĩa và Ngân hàng Đệ nhất, còn lại 34 NHTMCP. Đến năm 2012, có 3 trong số 5

NHTMNN được cổ phần hóa: VCB, Viettinbank, BIDV. Tuy cổ phần hóa, nhưng các

NHTM này vẫn do nhà nước nắm cổ phần chi phối.

Do vậy tác giả thu thập mẫu gồm 27/34 NHTMCP đại diện cho các Ngân hàng

có quy mô lớn, vừa và nhỏ; 3 trong số 5 NHTMNN để làm mẫu nghiên cứu. Do đó,

tổng mẫu nghiên cứu gồm 30 NHTM.

Bảng 3.1 mô tả các NHTMCP và NHTMNN được chọn trong nghiên cứu này

theo quy mô tổng tài sản. 30 NHTM trong mẫu nghiên cứu đượcchia thành 3 Nhóm.

Nhóm 1 có 12 Ngân hàng có quy mô tổng tài sản lớn >100.000 tỷ đồng, 7 Ngân hàng

có quy mô tổng tài sản từ 50.000 tỷ đồng đến < 100.000 tỷ đồng, 11 Ngân hàng quy

mô tổng tài sản < 50.000 tỷ đồng.

Các NHTM được chọn trong nghiên cứu:

Bảng 3.1 Phân nhóm NHTM theo quy mô tổng tài sản

NHTM

Tổng tài sản (tỷ đồng)

Chia nhóm dựa trên quy mô tổng tài sản năm 2012

> 100.000

Nhóm 1

Viettinbank BIDV VCB

Techcombank EIB ACB MB

SHB Sacombank MSB SCB

VPBank

Southernbank EAB

VIB

HDBank

50.000 đến < 100.000

Nhóm 2

SeAbank

Liên Việt

Oceanbank

< 50.000

Nhóm 3

ABBank OCB Việt Á

Bản Việt PGBank Kiên Long

Đại Á Nam Á Western

Saigonbank Nam Việt

Nguồn: Báo cáo tài chính năm 2012 của các NHTM

Hình 3.1 Biểu đồ thể hiện quy mô tổng tài sản của mẫu nghiên cứu

600,000

500,000

400,000

300,000

200,000

100,000

B I E

B V

B M

B C S

B A E

B H S

B C V

B C A

B C O

B S M

V D B

ạ Đ

Á t ệ V

Á m a N

k n a B P V

k n a B B A

k n a B G P

k n a B D H

t ệ V n ả B

n r e t s e W

k n a b A e S

t ệ V n ê i L

n r e h t u o S

t ệ V m a N

g n o L n ê K

k n a b n a e c O

k n a b m o c a S

k n a b n o g a S

k n a b n i t t e V

k n a b m o c h c e T

Series1

3.1.3 Dữ liệu nghiên cứu

Dữ liệu nghiên cứu là dữ liệu thứ cấp, thu thập từ Báo cáo tài chính, báo cáo

thường niên công bố trên website của các NHTM Việt Nam từ năm 2008 đến 2012.

3.1.4 Biến nghiên cứu

Tính tổn thương của các NHTM là tính dễ bị đỗ vỡ của các Ngân hàng trước các

cú sốc nội sinh và ngoại sinh.

Những nhân tố nội sinh gồm:

 Sự mất cân đối giữa tài sản nợ (Tài sản nợ của ngân hàng gồm: nguồn vốn

huy động được, vốn vay từ các tổ chức tín dụng khác) và tài sản có (Tài sản có

của ngân hàng gồm: tiền mặt, nguồn tín dụng, tiền gửi ở các ngân hàng khác, đầu

tư, chứng khoán và các tài sản khác) là trạng thái chênh lệch, không cân đối giữa

nguồn vốn huy động được và cho vay trên thị trường, giữa dư nợ cho vay ngắn

hạn với cho vay trung hạn, giữa nguồn huy động ngắn hạn dùng để cho vay

trung, dài hạn. Đây là một trong những nguyên nhân dẫn đến khó khăn về thanh

khoản cho Ngân hàng.

 Khả năng xảy ra tổn thất trong hoạt động ngân hàng của NHTM do khách

hàng không thực hiện hoặc không có khả năng thực hiện nghĩa vụ của mình theo

cam kết. Do đó, nợ xấu gia tăng, chất lượng tài sản giảm.

 Khả năng quản trị điều hành trong các NHTM yếu kém chưa đáp ứng, đối

phó kịp với những thay đổi, biến động của thị trường trong nước cũng như những

tác động của nền kinh tế thế giới. Hệ thống kiểm tra kiểm soát nội bộ lỏng lẻo.

Nhân tố ngoại sinh gồm:

 Rủi ro trong quá trình hội nhập quốc tế: Quá trình tự do hoá tài chính và hội

nhập quốc tế có thể khiến cho các Ngân hàng gặp khó khăn do phải đối mặt với

một môi trường cạnh tranh gay gắt, khiến hầu hết các doanh nghiệp, những khách

hàng thường xuyên của ngân hàng phải đối mặt với nguy cơ thua lỗ và quy luật

chọn lọc khắc nghiệt của thị trường. Bên cạnh đó, bản thân sự cạnh tranh của các

NTHM trong nước và quốc tế trong môi trường hội nhập kinh tế cũng khiến cho

các ngân hàng trong nước với hệ thống quản lý yếu kém gặp phải nguy cơ rủi ro

nợ xấu tăng lên bởi hầu hết các khách hàng có tiềm lực tài chính lớn sẽ bị các

ngân hàng nước ngoài thu hút.

 Rủi ro về lãi suất: Khi rủi ro lãi suất xuất hiện sẽ làm tăng chi phí nguồn vốn

của ngân hàng; giảm thu nhập từ tài sản của ngân hàng; làm giảm giá trị thị

trường của tài sản có và vốn chủ sở hữu của ngân hàng.

 Rủi ro về tỷ giá hối đoái: xuất hiện khi ngân hàng tiến hành các giao dịch

trên thị trường ngoại hối hay khi tỷ giá thay đổi làm thay đổi giá trị tài sản bằng

ngoại tệ của ngân hàng.

Trong phạm vi bài nghiên cứu, những NHTM được gọi là tổn thương nếu nó

thuộc một trong những trường hợp sau:

 Giấy phép kinh doanh bị rút hoặc Ngân hàng bị mất thanh khoản

(Alexander Babanskiy, 2012). Trong trường hợp này, NHTM yếu kém đã được

Thủ tướng Chính phủ phê duyệt chủ trương cho phép tái cơ cấu theo hướng hợp

nhất với NHTM khác hoặc kêu gọi các nhà đầu tư tiềm năng tham gia xử lý tổn

thất và tái cơ cấu toàn diện ngân hàng được xem xét

 NHTM có tỷ lệ nợ xấu > 3%

 Tỷ lệ dư nợ cho vay/tổng huy động > 1

Để phân tích các nhân tố ảnh hưởng đến tính dễ tổn thương của các NHTM Việt

Nam, tác giả đã sử dụng 15 biến độc lập và một biến phụ thuộc.

Biến phụ thuộc: là biến nhị phân, nhận 2 giá trị 0 hoặc 1. Những NHTM nào rơi

vào tình trạng bị tổn thương thì biến phụ thuộc sẽ nhận giá trị 1, nếu không sẽ nhận giá

trị 0.

Biến độc lập:

Dựa vào các nghiên cứu trước đây, tác giả đã chọn các biến giải thích sau để đưa

vào mô hình. Các biến số này được tính toán dựa trên Bảng Báo cáo tài chính của các

NHTM.

Công thức tính

CAMEL Biến số

Dấu kỳ vọng

Vốn chủ sở hữu/Tổng nợ

Capital

ECTA

(Said Marie-Joe Bou & Saucier Philippe 2003;

Nurazi &Evans 2005)

Nợ xấu/Tổng dư nợ cho vay

NPL

(Christopoulos Apostolos G. et a.l.2011; Olweny

and Shipo 2011)

Tài sản

Cam kết ngoại bảng/Vốn chủ sở hữu

OBSEQ

(Nurazi & Evans 2005)

Thu nhập trước thuế/Tổng tài sản có sinh lời

RORA

(Nurazi & Evans 2005)

Lợi nhuận ròng/Tổng tài sản

Quản trị

ROA

(Babanskiy 2012)

(Tổng thu từ lãi và đầu tư CK-Tổng chi phí từ

NIM

lãi)/Tài sản có sinh lời

Lợi nhuận sau thuế/Vốn chủ sở hữu

ROE

(Babanskiy 2012)

Thu nhập

Lợi nhuận sau thuế/Thu nhập hoạt động

NPM

(Nurazi & Evans 2005)

Chi phí hoạt động/Thu nhập hoạt động

OEOI

(Lane et al., 1986; Nurazi & Evans 2005)

Dư nợ vay/Tổng huy động

LDR

(Babanskiy 2012, Nurazi & Evans 2005)

Dư nợ vay/Tổng tài sản

TLTA

+/-

(Nurazi & Evans 2005)

Thanh

Tiền mặt và tiền gửi NH/Tổng huy động

khoản

CBTD

(Nurazi & Evans 2005)

Tiền mặt/Tổng tài sản

CTA

(Babanskiy 2012)

GRWTH

Tăng trưởng dư nợ (Nurazi & Evans 2005)

Quy mô

LGBS Ln (Tổng tài sản) (Nil Gunsel 2012)

ECTA: Tỷ số vốn an toàn tối thiểu được đưa ra để đảm bảo Ngân hàng có thể

hấp thụ mức độ tổn thất hợp lý trước khi rơi vào tình trạng không trả được nợ. Tỷ số

này càng cao, mức độ tổn thất càng ít.

NPL: Tỷ lệ nợ xấu cho biết chất lượng và rủi ro của danh mục cho vay của ngân

hàng, bao nhiêu đồng đang bị phân loại vào nợ xấu trên 1đồng cho vay. Tỷ lệ này cao

so với trung bình ngành và có xu hướng tăng lên có thể là dấu hiệu cho thấy ngân hàng

đang gặp khó khăn trong việc quản lý chất lượng các khoản cho vay. Ngược lại, tỷ lệ

này thấp so với các năm trước cho thấy chất lượng các khoản tín dụng được cải thiện.

Hoặc cũng có thể ngân hàng có chính sách xóa các khoản nợ xấu hay thay đổi các

phân loại nợ.

OBSEQ: Cam kết ngoại bảng cũng là nghĩa vụ nợ tiềm ẩn không được phản ánh

trực tiếp trong bảng cân đối kế toán mà chỉ được ghi nhận ngoại bảng. Vì vậy, tỷ lệ

này gia tăng cũng gia tăng rủi ro cho Ngân hàng. Hiện nay rủi ro từ các nghĩa vụ nợ

tiềm ẩn của nhóm NHTM vẫn còn là một dấu hỏi lớn.

NIM, ROE, ROA, NPM: đo lường tỷ suất sinh lời của Ngân hàng. Tỷ suất sinh

lời càng cao, Ngân hàng hoạt động càng hiệu quả, giảm khả năng phá sản. Tỷ số này

phản ánh sự ổn định trong thu nhập. Tỷ số này trong tương lai được kỳ vọng bằng

hoặc cao hơn giá trị của quá khứ/hiện tại (Uniform Financial Institutions Rating

System 1997, page 7)

LDR = Tổng các khoản cho vay/Tổng tiền gửi. Một sự gia tăng tỉ lệ LDR cho

thấy ngân hàng đang có ít hơn tấm đệm để tài trợ cho tăng trưởng và bảo vệ mình khỏi

nguy cơ rút tiền gửi đột ngột, nhất là các ngân hàng dựa quá nhiều vào nguồn tiền gửi

để tài trợ cho tăng trưởng. Khi tỉ lệ LDR tăng đến mức tương đối cao, các nhà quản trị

ngân hàng ít muốn cho vay và đầu tư. Hơn nữa, họ sẽ thận trọng khi tỉ lệ LDR tăng lên

và đòi hỏi phải thắt chặt tín dụng. Do đó, lãi suất có chiều hướng tăng lên. Mặc dù,

một tỉ lệ LDR cao chưa bao giờ được lượng hóa, nhưng nó là một nhân tố ảnh hưởng

đến các quyết định về đầu tư và cho vay.

TLTA: Tỷ số này cao thể hiện khả năng thanh khoản của Ngân hàng. Tuy nhiên,

quan hệ đồng biến hay nghịch biến giữa TLTA và xác suất Ngân hàng phá sản không

rõ ràng.

CTA: Tỷ số này càng cao, Ngân hàng càng có sẵn lượng tiền mặt để đáp ứng các

nhu cầu chi trả. Tỷ số này có xu hướng giảm ở những Ngân hàng bị phá sản, vì vậy nó

có quan hệ nghịch chiều với xác suất Ngân hàng phá sản.

LGBS: phản ánh quy mô của Ngân hàng. Chỉ số này càng cao, quy mô Ngân

hàng càng lớn, khả năng tổn thương càng thấp

Mô hình nghiên cứu:

log (F/NF)= β0 + β1X1 + β2X2 +…..+ βkXk

Trong đó:

F = NF = tổn thương, không tổn thương (log odds)

Xi = các tỷ số tài chính và quy mô Ngân hàng

Câu hỏi nghiên cứu và giả thuyết nghiên cứu:

Câu hỏi nghiên cứu

Giả thuyết nghiên cứu

1. Tính

tổn

thương của

H0: Không có mối liên hệ giữa tính

NHTM có phụ thuộc vào sức mạnh

tổn thương của NHTM và Vốn chủ sở hữu

vốn không?

H1: Có mối liên hệ giữa tính tổn

thương của NHTM và Vón chủ sở hữu

2. Tính

tổn

thương của

H0: Không có mối liên hệ giữa tính

NHTM có phụ thuộc vào chất

tổn thương của NHTM và chất lượng tài

lượng tài sản không?

sản

H1: Có mối liên hệ giữa tính tổn

thương của NHTM và chất lượng tài sản

3. Tính

thương của tổn NHTM có phụ thuộc vào chất lượng quản trị không?

H1: Có mối liên hệ giữa tính tổn

- H0: Không có mối liên hệ giữa tính tổn thương của NHTM và chất lượng quản trị - thương của NHTM và chất lượng quản trị

4. Tính

tổn

thương của

H0: Không có mối liên hệ giữa tính

NHTM có phụ thuộc vào thu nhập

tổn thương của NHTM và thu nhập

của Ngân hàng không?

H1: Có mối liên hệ giữa tính tổn

thương của NHTM và thu nhập

5. Tính

tổn

thương của

H0: Không có mối liên hệ giữa tính

NHTM có phụ thuộc vào tính thanh

tổn thương của NHTM và tính thanh khoản

khoản của Ngân hàng không?

H1: Có mối liên hệ giữa tính tổn

thương của NHTM và tính thanh khoản

6. Tính

tổn

thương của

H0: Không có mối liên hệ giữa tính

NHTM có phụ thuộc vào quy mô

tổn thương của NHTM và quy mô

của Ngân hàng không?

H1: Có mối liên hệ giữa tính tổn

thương của NHTM và quy mô

3.1.5 Xử lý và phân tích số liệu

Số liệu được xử lý bằng phần mềm SPSS20.

Thực hiện thống kê mô tả, Phân tích hiện tượng tự tương quan giữa các biến độc lập để

tránh xảy ra hiện tượng đa cộng tuyến.

Sử dụng hồi quy Binary logisistic để phân tích các yếu tố liên quan nhằm tìm ra yếu tố

có ý nghĩa thống kê và tìm ra mô hình dự báo cho tính dễ tổn thương của NHTM.

Phân tích biệt số MDA để so sánh tính đồng nhất với phương pháp Binary logistic.

3.2 Kết quả nghiên cứu

3.2.1 Đánh giá hoạt động NHTM qua số liệu báo cáo tài chính

- Vốn điều lệ: từ năm 2008 đến nay, trong bối cảnh nền kinh tế thế giới và trong

nước gặp nhiều khó khăn nhưng các Ngân hàng vẫn cố gắng tăng vốn điều lệ của mình

để đảm bảo mức vốn pháp định và góp phần nâng cao năng lực tài chính. Theo số liệu

báo cáo tài chính, các NHTM đã có sự gia tăng mạnh mẽ về vốn điều lệ. Đến

31/12/2012, vốn điều lệ của Vietcombank tăng lên 23.174 tỷ đồng và Viettinbank từ

hơn 20.229,7 tỷ đồng lên 26.217,7 tỷ đồng. Mức độ an toàn vốn qua việc hệ số an toàn

vốn (CAR) của các ngân hàng phần lớn được cải thiện qua các năm. Thông tư số

13/2010/TT-NHNN đã quy định việc các NHTM phải nâng tỷ lệ an toàn vốn tối thiểu

của mình từ 8% lên 9%, đa phần các Ngân hàng đều đáp ứng được tỷ lệ này.

- Theo Báo cáo tài chính của các NHTM, năm 2012 được xem là năm mà lợi

nhuận của các Ngân hàng sụt giảm, kể cả các Ngân hàng lớn như Vietcombank,

Vietinbank, BIDV, cũng không tăng trưởng đáng kể so với năm trước mặc dù vẫn

đứng đầu toàn ngành về lợi nhuận.

Theo báo cáo NHNN, tổng lợi nhuận toàn ngành ngân hàng năm 2012 là 28.600

tỷ đồng, sụt giảm gần 50% so với năm 2011. Tình hình lợi nhuận ảm đạm trong 2012

đã chấm dứt những năm tháng lãi khủng của các ngân hàng.

Nguyên nhân chính dẫn đến lợi nhuận giảm trong năm 2012: do tăng trưởng tín

dụng trong năm 2012 khá thấp, lãi suất cho vay hạ nhiệt, chi phí dự phòng rủi ro tăng

mạnh do nợ xấu gia tăng. Lợi nhuận ngành Ngân hàng giảm do tăng trưởng tín dụng

thấp đã cho thấy trong cơ cấu thu nhập của các ngân hàng, phần tạo lợi nhuận chính

vẫn là từ hoạt động cho vay. Nguyên nhân tín dụng tăng thấp là cầu yếu, khả năng tiêu

thụ sản phẩm khó khăn, hàng tồn kho cao nên nhiều doanh nghiệp không đủ điều kiện

vay vốn; các NHTM phải kiểm soát chặt chẽ tín dụng nhằm ngăn chặn nợ xấu...

 Mức độ cạnh tranh ngày càng khốc liệt, ảnh hưởng lớn đến lợi nhuận của

ngân hàng nhất là trong bối cảnh nên kinh tế còn nhiều khó khăn như hiện nay.



Bên cạnh đó, các ngân hàng có xu hướng mở rộng hệ thống, tăng chi phí

hoạt động trong đó có chi phí cho nhân viên. So với các ngành khác của toàn

nền kinh tế, chi phí cho nhân viên ngành ngân hàng ở mức cao và được tính vào

lãi suất đầu ra của doanh nghiệp khiến cho mức lãi suất đến tay người đi vay

vẫn còn cao.

- Tỷ lệ nợ xấu của các NHTM gia tăng nhanh chóng, đặc biệt tăng mạnh trong

năm 2011 và 2012, không ít Ngân hàng lớn có nợ xấu gần 3%. Đặc biệt nợ xấu tăng

cao ở các NHTM như: SCB, PGBank, Westernbank, Việt Á, Đại Á, … Trên thực tế,

đây cũng là tình cảnh của hầu hết các ngân hàng trong cùng hệ thống. So với cuối năm

2011, nợ xấu 2012 của một số NHTM tăng vọt như Ngân hàng Quân đội VIB tăng từ

0,9% lên 2,7%; EAB tăng từ 1,7% lên 3,9%; ACB tăng từ 0,9% lên 2,5%....

Hình 3.2 Biểu đồ nợ xấu của các NHTMCP năm 2011-2012

0.090

0.080

0.070

0.060

0.050

0.040

Năm 2011

0.030

Năm 2012

0.020

0.010

0.000

Nguồn: Báo cáo tài chính các NHTM

Trong 4 quý gần nhất, đặc biệt là 6 tháng đầu năm 2013, tăng trưởng tín dụng của hầu

hết các ngân hàng đã lên sàn gần như không đáng kể. Tuy vậy, con số nợ xấu lại

không ngừng tăng lên.

Hình 3.3 Dư nợ và nợ xấu 7 Ngân hàng niêm yết trên thị trường chứng khoán

(4 Quý gần nhất)

ĐVT: 1000đ

(7 Ngân hàng gồm: Viettinbank, Vietcombank, SHB, ACB, Sacombank, MB, EIB)

Nguồn: cafef.vn

Tại thời điểm 30/06/2013, tổng nợ xấu của BIDV lên tới 9.400 tỷ đồng, chiếm 2,78%

tổng dư nợ, Viettinbank với khoảng 7.000 tỷ đồng. Tổng nợ xấu của BIDV,

Vietinbank, Vietcombank đến hết tháng 6 là hơn 23.000 tỷ đồng.

Tuy nhiên, với 5.288 tỷ đồng nợ xấu, SHB lại là ngân hàng có tỷ lệ nợ xấu cao nhất

khi chiếm 9,04% tổng dư nợ.

Hình 3.4 Biểu đồ nợ xấu của các NHTM niêm yết trên thị trường chứng khoán

Nguồn: cafef.vn

Hình 3.5 Chi tiết nợ xấu các NHTM (thời điểm 30/06/2013)

Nguồn: cafef.vn

Nợ xấu của phần lớn các ngân hàng tăng dần qua các quý, đặc biệt sự gia tăng của nợ

Nhóm 5 (nợ có khả năng mất vốn).

Hình 3.6 Cơ cấu nợ xấu 07 Ngân hàng niêm yết trên thị trường chứng khoán

(4 Quý gần nhất)

ĐVT: 1000đ

Nguồn: cafef.vn

Tại thời điểm 30/06/2013, nợ nhóm 5 đã chiếm gần 50% tổng nợ xấu của các

ngân hàng. Đây là một xu hướng đáng lo ngại, là một dấu hiệu rất xấu cho nền kinh tế

bởi nợ xấu không chỉ phản ánh khó khăn của ngân hàng.

Nguyên nhân nợ xấu hiện nay các ngân hàng đang gánh chịu là hệ quả của việc

các ngân hàng đã có một thời gian dài chạy theo lợi nhuận bằng việc duy trì chính sách

tăng trưởng tín dụng cao qua nhiều năm. Để đạt được mục tiêu tăng trưởng tín dụng,

các ngân hàng đã: không ngần ngại điều chỉnh khẩu vị rủi ro để có thể mạnh tay trong

việc giải ngân, thiếu đánh giá và dự báo dẫn đến việc cho vay các ngành tiềm ẩn nhiều

rủi ro như bất động sản, tiêu dùng tín chấp…



Bên cạnh việc theo đuổi chính sách tín dụng chứa đựng nhiều rủi ro,

công tác quản lý tín dụng của các ngân hàng cũng còn nhiều bất cập, đặc biệt là

trong khâu giám sát và quản lý vốn vay. Một số cá nhân, doanh nghiệp sử dụng

vốn vay không đúng mục đích, đầu tư vào những lĩnh vực rủi ro cao, dẫn đến

thua lỗ và mất khả năng chi trả.



Năng lực thẩm định, phê duyệt trước khi cấp tín dụng của các ngân hàng

còn hạn chế. Điều này dẫn đến thẩm định và phê duyệt không đúng thực tế.



Cố tình bỏ qua các chuẩn mực trong việc cấp tín dụng. Việc các ngân

hàng bỏ qua các chuẩn mực trong việc cấp tín dụng có thể do tác động của một

số cá nhân hoặc tổ chức có quyền chi phối ngân hàng.

- Thanh khoản của hệ thống các NHTM đã được đảm bảo và từng bước cải thiện

theo hướng tích cực, nhưng vẫn còn mỏng manh. Năm 2011, tỷ lệ sử dụng vốn trong

hệ thống ngân hàng lên tới hơn 100%, dẫn đến thiếu thanh khoản. Nay tình hình này

đã được cải thiện, tỷ lệ sử dụng vốn dao động từ 93 - 96%, nhưng vẫn còn khá cao.

Năm 2012 cũng là năm mà ngành Ngân hàng chứng kiến những sự kiện có ảnh

hưởng lớn đến tính an toàn và bền vững trong hoạt động của Ngân hàng, Ngân hàng

đứng trước nguy cơ rất dễ bị tổn thương. Đó là phản ứng của thị trường trước thông tin

liên quan đến thành viên Hội đồng quản trị ACB, vấn đề sở hữu chéo trong Ngân

hàng.

 Thông tin ông Nguyễn Đức Kiên, nguyên thành viên Hội đồng sáng lập, nguyên

Phó chủ tịch Hội đồng Quản trị ACB bị bắt để điều tra về một số sai phạm

trong hoạt động kinh tế được công bố. Vài ngày sau, ông Lý Xuân Hải, nguyên

Tổng giám đốc ACB bị bắt về tội cố ý làm trái quy định của nhà nước về quản

lý kinh tế gây hậu quả nghiêm trọng. Bốn cựu lãnh đạo trong Hội đồng Quản trị

của ngân hàng này bị khởi tố. Các thông tin trên khiến người dân đẩy mạnh rút

tiền tại ACB khiến thanh khoản của ngân hàng gặp khó khăn. Rất may, với sự

nỗ lực của ACB cùng sự hỗ trợ từ phía NHNN nên ACB đã sớm hoạt động bình

thường trở lại.

 Năm 2012, việc sở hữu chéo tại ngân hàng trở thành vấn đề nổi cộm.

Vietcombank, ACB, Maritime Bank, Eximbank… đều nắm giữ cổ phần lớn tại

một hoặc một số ngân hàng khác. Ba rủi ro lớn xuất phát từ sở hữu chéo trong

hoạt động ngân hàng, đó là thâu tóm ngân hàng, nợ xấu và tăng vốn ảo, từ đó

dẫn đến rủi ro mang tính hệ thống. Ví dụ khi một NHTM chiếm cổ phần chi

phối một ngân hàng khác và biến ngân hàng này thành sân sau của mình, họ có

thể buộc ngân hàng bị chi phối cấp tín dụng cho những dự án không an toàn

hoặc cho doanh nghiệp có quan hệ thân thiết. Ngoài ra, khi các ngân hàng sở

hữu cổ phần của nhau, sẽ tạo thành một mạng lưới mà từ đó dễ nảy sinh độc

quyền nhóm. Điều này có thể gây xáo trộn trên thị trường và thiệt hại cho nền

kinh tế vì sở hữu chéo giảm tính minh bạch, giảm khả năng giám sát và tăng

khả năng đổ vỡ của một định chế tài chính.

Những vấn đề trên cho thấy hoạt động của NHTM Việt Nam thời gian qua luôn phải

đối mặt với những rủi ro, cả bên trong lẫn bên ngoài. Chính những nhân tố này khiến

hoạt động Ngân hàng rất dễ bị đổ vỡ.

3.2.2 Kết quả nghiên cứu định lượng

a. Thống kê mô tả

Thống kê mô tả được sử dụng để mô tả những đặc tính cơ bản của dữ liệu thu thập

được từ nghiên cứu thực nghiệm. Các giá trị trung bình, trung vị, độ lệch chuẩn, giá trị

cực tiểu, cực đại của các biến như sau:

Bảng 3.2: Thống kê mô tả

Std.

Số quan sát

Mean

Median

Chỉ số ECTA RORA OBSEQ NPL ROA ROE NPM OEOI NIM LDR TLTA CTA CBTD GRWTH LGBS

150 150 150 150 150 150 150 150 150 150 150 150 150 150 150

0,100 0,017 0,387 0,019 0,011 0,101 0,330 0,435 0,032 0,670 0,507 0,012 0,340 0,247 17,587

0,043 0,000 0,002 0,000 0,000 0,001 0,003 0,227 0,011 0,200 0,174 0,001 0,051 -0,407 14,794

Deviation Minimum Maximum 0,462 0,073 0,124 0,068 0,010 0,017 7,861 1,434 0,935 0,114 0,017 0,022 0,060 0,007 0,011 0,268 0,062 0,108 0,740 0,123 0,323 0,882 0,129 0,468 0,085 0,013 0,035 1,329 0,219 0,692 0,852 0,143 0,503 0,129 0,029 0,024 0,793 0,143 0,347 2,824 0,420 0,370 17,567 20,037 1,200 Nguồn: Tính toán từ Báo cáo tài chính bằng phần mềm SPSS

b. Kiểm tra hiện tượng tự tương quan

Để tránh xảy ra hiện tượng đa cộng tuyến có thể làm sai lệch kết quả nghiên cứu,

tác giả kiểm tra hiện tượng tự tương quan giữa các biến độc lập, sử dụng tương quan

Pearson.

Bảng 3.3 Ma trận hệ số tương quan

Correlations

F/NF

ECTA

RORA

OBSEQ

NPL

ROA

ROE

NPM

OEOI

NIM

LDR

TLTA

CTA

CBTD

GRWTH LGBS

F/NF

ECTA

.129 1

RORA

-.064 .458** 1

OBSEQ

-.136 -.375** .000 1

NPL

.512** .057 -.106 -.171* 1

ROA

-.090 .440** .968** .050 -.142 1

ROE

-.209* -.428** .463** .529** -.228** .484** 1

NPM

-.220** .133 .761** .065 -.186* .774** .626** 1

OEOI

.142 .043 -.667** -.222** .057 -.641** -.649** -.793** 1

NIM

.181* .527** .620** -.022 .037 .587** .072 .130 -.164* 1

LDR

.477** .278** .169* .024 -.002 .113 -.088 -.151 .039 .352** 1

TLTA

.417** .092 .047 .086 .034 .010 -.066 -.248** .077 .268** .889** 1

CTA

.126 -.083 .073 -.108 -.053 -.004 .057 .046 -.020 -.033 .296** .254** 1

CBTD

-.336** .169* .207* -.031 -.204* .230** ,135 .391** -.189* -,117 -.517** -.683** -.059 1

GRWTH

-.114 -.021 .053 .129 -.213** .068 .129 .214** -.200* -.155 .018 .012 -.109 .016 1

LGBS

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).

Schindler & Copper (2009) cho rằng hệ số tương quan giữa các biến giải thích

nhỏ hơn 0,8 thì nên đưa vào mô hình.

Ma trận hệ số tương quan ở bảng 3.3 cho thấy mối tương quan chặt giữa 2 biến

RORA và ROA: 0,968. Một trong 2 biến sẽ được loại ra khỏi mô hình: RORA.

c. Hồi quy Binary logistic

Phương pháp backward (loại trừ dần) được sử dụng để tiến hành đưa biến phụ

thuộc hoặc loại biến phụ thuộc ra khỏi mô hình nhằm đạt được kết quả tốt nhất.

-.113 -.730** -.179* .553** -.052 -.150 .547** -.036 -.183* -.209* -.112 -.064 .091 -.074 -.075 1

Các biến được chọn từ phương pháp loại dần biến:

Bảng 3.4

Variables in the Equation

B

S.E. Wald df

Sig.

Step

ECTA

-20.360 8.514

5.718

.017

11a

NPL

214.269 56.011 14.635 1

.000

ROE

-21.424 9.691

4.887

.027

LDR

18.116

4.233

18.317 1

.000

Constant -16.405 3.865

18.018 1

.000

a. Variable(s) entered on step 1: ECTA, OBSEQ, NPL, ROA, ROE,

NPM, OEOI, NIM, LDR, TLTA, CTA, CBTD, GRWTH, LGBS.

Bảng 3.4 cho biết các biến được lựa chọn qua kiểm định Wald. Những biến có

sig > 0.05 đều bị loại. Các biến ECTA, NPL, ROE, LDR sig < 0,05 nên giữ lại trong

mô hình.

c.1 Kiểm định độ phù hợp tổng quát

Trong hồi quy tuyến tính với các quan hệ phi tuyến, tổ hợp liên hệ tuyến tính của

toàn bộ các hệ số trong mô hình cũng được kiểm tra xem có thực sự có ý nghĩa trong

việc giải thích cho biến phụ thuộc hay không. Dùng kiểm định Chi-square với mức ý

nghĩa của Sig. để quyết định chấp nhận hay bác bỏ giả thuyết Ho. Bảng Kiểm định

Omnibus cho biết sự tương quan giữa biến phụ thuộc và các biến độc lập nếu sig nhỏ

hơn 0.05, đạt ý nghĩa thống kê.

Kết quả kiểm định giả thuyết về độ phù hợp tổng quát ở Bảng 3.5 có mức ý nghĩa

quan sát sig. = 0.000 nên hoàn toàn bác bỏ giả thuyết Ho: β1 = β2 =…..= βk = 0.

Bảng 3.5

Omnibus Tests of Model Coefficients

Chi-square

Sig.

Step

101.386

.000

Block

101.386

.000

Step 1

Model

101.386

.000

c.2 Kiểm định độ phù hợp của mô hình

Hệ số -2LL dùng để đo sai sót và ngày càng giảm dần trong quá trình lập lại để

chọn mô hình. Vì vậy mô hình được chọn là mô hình có hệ số này càng nhỏ

càng tốt.

Bảng 3.6

Model Summary

Step

-2

Log

Cox & Snell R

Nagelkerke R Square

likelihood

Square

48.735a

.491

.777

a. Estimation terminated at iteration number 9 because parameter

estimates changed by less than .001.

Bảng 3.6 cho thấy giá trị của -2LL = 48,735 không cao lắm. Vì vậy thể hiện một

độ phù hợp khá tốt của mô hình tổng thể.

c.3 Mức độ chính xác của mô hình dự báo:

Bảng 3.7

Classification Tablea

Dự báo

Quan sát

F/NF

Mức độ chính

xác của dự báo

Không tổn thương

Tổn thương

Không tổn thương

118

98.3

F/NF

Step 1

Tổn thương

83.3

Overall Percentage

95.3

a. The cut value is .500

Mức độ chính xác của dự báo được thể hiện trong bảng 3.7. Bảng này cho thấy

trong số 123 trường hợp được dự đoán là không xảy ra tổn thương, mô hình đã dự báo

chính xác 118 trường hợp, với tỷ lệ chính xác là 98,3%.

Còn với 30 trường hợp có xảy ra tổn thương thì mô hình dự đoán sai 5 trường

hợp, tỷ lệ chính xác là 83,3%.

Do đó, tỷ lệ chính xác của toàn bộ mô hình là 95,3%.

c.4 Kiểm định ý nghĩa của các hệ số hồi quy

Bảng 3.8

Variables in the Equation

B

S.E. Wald

df

Sig.

Exp(B)

ECTA

-20.360 8.514

5.718

.017

.000

NPL

214.269 56.011 14.635

1.138E+093

.000

Step 1a

ROE

-21.424 9.691

4.887

.027

.000

LDR

18.116

4.233

18.317

73736139.123

.000

Constant

-16.405 3.865

18.018

a. Variable(s) entered on step 1: ECTA, NPL, ROE, LDR.

Kiểm định Wald về ý nghĩa của các hệ số hồi quy tổng thể của các biến ECTA,

NPL, ROE, LDR đều có mức ý nghĩa sig. nhỏ hơn 0,05 nên bác bỏ giả thuyết

H0 : βECTA = 0, H0 : βNPL = 0, H0: βROE = 0, H0 : βLDR = 0.

Phương trình hồi quy:

Xác suất Ngân hàng bị tổn thương = -16,405 -20,360 ECTA + 214,269 NPL –

21,424 ROE + 18, 116LDR

Biến chỉ số an toàn vốn ECTA: có quan hệ nghịch chiều với khả năng tổn thương

của NHTM. Khi chỉ số an toàn vốn thấp thì khả năng Ngân hàng bị tổn thương càng

cao. Điều này là hợp lý do khi thiếu vốn, Ngân hàng không có đủ khả năng để hấp thụ

các cú sốc nội và ngoại sinh. Kết quả này cũng phù hợp với kết quả nghiên cứu của

Largrin (2001), Nuzari & Evans (2005), Gunsel (2011), Gunsel (2008) khi cho rằng

xác suất các Ngân hàng phá sản có mối liên hệ với chỉ số an toàn vốn thấp. Trong mô

hình này, tác động biên của chỉ số an toàn vốn ECTA lên tính tổn thương của Ngân

hàng với xác suất ban đầu là 0,5 thì tác động này bằng: 0,5 * (1-0,5) * 20,360 = 5,09.

Tỷ lệ nợ xấu NPL: có tác động cùng chiều với tính tổn thương của Ngân hàng,

nghĩa là khi nợ xấu càng tăng thì xác suất Ngân hàng bị tổn thương càng tăng. Thực tế

khi tỷ lệ nợ xấu gia tăng, các khoản trích lập dự phòng theo đó cũng gia tăng, làm

giảm chất lượng tài sản của các Ngân hàng. Chất lượng tài sản suy giảm đã xói mòn

mức vốn của nhiều ngân hàng, làm suy yếu thêm khả năng hấp thụ thua lỗ vốn đã yếu

của ngân hàng Việt Nam, đồng thời kìm hãm khả năng cấp vốn tín dụng để hỗ trợ tăng

trưởng. Tỷ lệ nợ xấu cũng đè nặng lên các ngân hàng dưới tác động kép của bức tranh

chưa mấy sáng sủa của nền kinh tế khiến các Ngân hàng càng dễ bị tổn thương. Tỷ lệ

nợ xấu cũng là biến có tác động mạnh nhất đến khả năng tổn thương của Ngân hàng

trong mô hình trên, với tác động biên của NPL là 53,5. Kết quả này cũng phù hợp với

nghiên cứu Olweny and Shipo (2011). Thực tế chất lượng tài sản kém đã khiến nhiều

Ngân hàng bị phá sản trong những năm đầu 1980 ở Kenya. 37 Ngân hàng cũng bị sụp

đổ theo sau khủng hoảng Ngân hàng vào năm 1986-1989, 1993-1994 và 1998

(Mwega, 2009). Mô hình cho thấy biến tỷ lệ nợ xấu NPL là biến có tác động mạnh

nhất đến khả năng tổn thương của các NHTM.

Biến số tỷ suất sinh lời trên vốn chủ sở hữu ROE: có tác động ngược chiều với

xác xuất Ngân hàng tổn thương, tức là khi ROE càng tăng, xác suất Ngân hàng bị tổn

thương càng giảm. ROE phản ánh tính ổn định và hiệu quả trong hoạt động kinh doanh

của Ngân hàng. Tỷ suất sinh lời càng cao, Ngân hàng có thể cải thiện được vốn chủ sở

hữu và hoạt động kinh doanh của mình. Kết quả nghiên cứu cũng phù hợp với kết quả

của Christopoulos Apostolos G. et a.l., (2011) cho rằng ROE của Ngân hàng Lehman

Brothers’ liên tục tăng từ năm 2003 đến 2006, nhưng năm 2007 lại sụt giảm báo hiệu

một sự sụp đổ không mong đợi. Tác động biên của ROE lên xác xuất tổn thương là

5,356.

Biến số phản ảnh tính thanh khoản LDR: có tác động cùng chiều lên xác xuất tổn

thương Ngân hàng. Tác động biên của LDR lên xác xuất tổn thương là 4,529. Tác

động này là phù hợp vì dư nợ cho vay vượt huy động thì các Ngân hàng sẽ gặp khó

khăn trong vấn đề thanh khoản, tỷ lệ khả năng chi trả sẽ kém và nguy cơ phá sản xảy

ra khi gặp các cú sốc bên trong và bên ngoài Ngân hàng. Một số NHTM có tỷ lệ này

khá cao > 80%, thậm chí trên 100%. Theo thông lệ quốc tế, tỷ lệ này khoảng từ 70%-

80% và đây cũng là mục tiêu mà một số nước trong khu vực Đông Nam Á đang hướng

tới.

d. Phân tích biệt số MDA

Do một số hạn chế của mô hình hồi quy Binary logistic: không đòi hỏi nhiều giả

định nên tác giả đã chạy mô hình hồi quy MDA để xem xét tính đồng nhất giữa hai mô

hình. Với phân tích biệt số MDA, sử dụng phương pháp loại trừ dần, còn 3 biến ở lại

trong mô hình.

Phương pháp phân tích biệt số MDA đòi hỏi dữ liệu phải tuân theo quy luật phân

phối chuẩn. Vì vậy các biến số độc lập được chuyển sang phân phối chuẩn bằng cách

lấy log. (Tabachnick & Fidell 2001; Hair et al.1998).

Các biến số độc lập cũng được đưa vào dần theo phương pháp Stepwise. Hai biến

LDR, NPL có ý nghĩa thống kê trong phân tích biệt số, thể hiện trong bảng 3.9

Bảng 3.9 Các biến đưa vào mô hình phân tích biệt số

Step

Entered

Statistic

df1

df2

Wilks' Lambda df3

Exact F

df1

Sig.

.774 .634

LDR NPL

1 73.000 1 73.000

1 2

Statistic 21.347 20.797

df2 73.000 72.000

.000 .000

1 1 2 2 At each step, the variable that minimizes the overall Wilks' Lambda is entered. a. Maximum number of steps is 28. b. Minimum partial F to enter is 3.84. c. Maximum partial F to remove is 2.71.

Hệ số chuẩn hóa của các biến càng lớn thì càng đóng góp nhiều hơn vào khả năng

phân biệt của hàm. Theo bảng 3.10, LDR có hệ số chuẩn hóa cao nhất: 0,942; NPL:

0,740. Như vậy, LDR là biến dự đoán quan trọng nhất dùng để phân biệt các nhóm, kế

đến là NPL.

Bảng 3.10 Hệ số chuẩn hóa

Standardized Canonical Discriminant Function Coefficients

NPL LDR

Function 1 .740 .942

Bảng 3.11 Kết quả dự báo của mô hình

Classification Resultsa,b

F/NF

Total

Predicted Group Membership

Count

Original

Cases Selected

Count

Original

Cases Not Selected

Không tổn thương 49 2 81.7 13.3 48 0 80.0 .0

Có tổn thương 11 13 18.3 86.7 12 15 20.0 100.0

60 15 100.0 100.0 60 15 100.0 100.0

Không tổn thương Có tổn thương Không tổn thương Có tổn thương Không tổn thương Có tổn thương Không tổn thương Có tổn thương

a. 82,7% of selected original grouped cases correctly classified.

b. 84,0% of unselected original grouped cases correctly classified.

Bảng 3.11 cho biết kết quả phân loại dựa trên mẫu phân tích, tỷ lệ phân biệt đúng là

82,7%. Thực hiện phân tích biệt số trên mẫu độc lập, tỷ lệ đúng là 84%.

e. So sánh giữa hồi quy Binary Logistic và phân tích biệt số MDA

Bảng 3.12: So sánh các biến có ý nghĩa

Binary Logistic

Phân tích biệt số MDA

Biến số

Sig

Biến số

Sig

ECTA

.017

LDR

.000

NPL

.000

NPL

.000

ROE

.027

LDR

.000

Về phương diện các biến có ý nghĩa, Bảng 3.12 cho thấy mô hình phân tích biệt số

MDA cho kết quả khá tương tự như hồi quy Binary Logistic, với 2 biến LDR và NPL

đều có ý nghĩa trong cả hai mô hình. Tuy nhiên mô hình Binary Logistic cho kết quả

tốt hơn với 4 trong số 14 biến có ý nghĩa, MDA chỉ có 2 trong số 14 biến có ý nghĩa.

Bảng 3.13: So sánh khả năng dự báo

Binary Logistic

Phân tích biệt số MDA

Predicted

Percentage Correct

tổn

Percentage Correct

Observed

Không tổn thương

Có thương

Predicted Không tổn thương

tổn

98.3

80.8

118

tổn

83.3

93.3

95.3%

83.3%

Không thương Có thưởng Overall Percentage

Bảng 3.13 cho thấy khả năng dự báo của mô hình hồi quy logistic cao hơn so với phân

tích biệt số MDA. Do đó, mô hình hồi quy Binary logistic có thể sử dụng để dự báo

tính tổn thương của các NHTM Việt Nam.

Kết luận chương 3:

Trong chương 3, luận văn đã đánh giá một cách khái quát về tình hình hoạt động của

NHTM Việt Nam thời gian qua. Đồng thời, bằng nghiên cứu định lượng với mô hình

hồi quy binary logistic, phân tích biệt số, luận văn đã chỉ ra các yếu tố quyết định đến

tính dễ tổn thương của NHTM và đưa ra mô hình dự báo trong tương lai.

CHƯƠNG 4 – HẠN CHẾ ĐỀ TÀI VÀ GỢI Ý CHÍNH SÁCH

4.1 Hạn chế của đề tài

Đề tài nghiên cứu 30 NHTM Việt Nam, với thời gian từ năm 2008 – 2012. So

sánh với các bài nghiên cứu trước đây, bài nghiên cứu có một số hạn chế:



Số lượng mẫu nghiên cứu tương đối nhỏ và thời gian nghiên cứu ngắn: 5

năm nên số lượng quan sát còn hạn chế

 Chỉ xem xét tác động của các nhân tố vi mô đại diện cho các chỉ số tài

chính đến tính dễ tổn thương của các NHTM, chưa xem xét đến tác động các

yếu tố vĩ mô.

 Do thông tin hạn chế nên bài nghiên cứu chưa xem xét đến yếu tố “sở hữu

chéo lẫn nhau giữa các NHTM” có tác động đến tính dễ tổn thương hay không.

 Tại Việt Nam số lượng bài nghiên cứu về tính tổn thương của NHTM

chưa nhiều nên chưa có nghiên cứu để làm cơ sở so sánh, kiểm chứng.

4.2 Gợi ý chính sách

Kinh tế Việt Nam đã trở nên dễ tổn thương nhất trước tất cả mọi cú sốc sau hơn 5

năm gia nhập Tổ chức Thương mại thế giới. Thời điểm Việt Nam gia nhập Tổ chức

Thương mại thế giới là lúc kinh tế thế giới bắt đầu có khủng hoảng. Do vậy, những tác

động tiêu cực của khủng hoảng đã tràn vào nhanh hơn khi Việt Nam hội nhập sâu

rộng. Ngành ngân hàng ngày càng bộc lộ những điểm yếu và rất dễ bị tác động bởi các

nhân tố vi mô lẫn vĩ mô. Vì vậy, cả NHTM và NHNN cần có những giải pháp phù hợp

để đảm bảo an toàn và ổn định trong hoạt động.

4.2.1 An toàn vốn

Sáp nhập, hợp nhất ngân hàng là xu hướng tất yếu khách quan hiện nay để nâng

cao khả năng cạnh tranh của các ngân hàng. Trong bối cảnh kinh tế còn chưa phục hồi

sau khủng hoảng, thị trường chứng khoán ảm đạm, giá cổ phiếu của nhiều ngân hàng

đang dưới mệnh giá thì việc tăng vốn để tăng năng lực tài chính và khả năng cạnh

tranh của các ngân hàng sẽ gặp nhiều khó khăn, nhất là các ngân hàng hoạt động yếu

kém. Việc sáp nhập không chỉ diễn ra giữa các ngân hàng yếu với ngân hàng mạnh hay

giữa các ngân hàng yếu với nhau mà giữa các ngân hàng mạnh cũng cần có sự liên kết,

sáp nhập, hợp nhất để tạo ra những ngân hàng lớn mạnh hơn, đủ sức cạnh tranh với

các ngân hàng trong khu vực và trên thế giới.

Lợi ích của M&A: Tăng năng lực tài chính, đáp ứng yêu cầu về vốn của NHTM,

tăng khả năng thanh khoản và giúp Ngân hàng hoạt động ổn định hơn; Tăng cường

năng lực quản trị rủi ro; Phát triển về mạng lưới giao dịch, uy tín Ngân hàng, khai thác

tối đa lợi thế kinh doanh của các bên tham gia, phát triển cơ sở khách hàng gia tăng

năng lực cạnh tranh với các Ngân hàng trong và ngoài nước.

Xét trên lợi ích chung của toàn hệ thống, quá trình này mang đến nhiều lợi ích,

giúp hệ thống ngân hàng Việt Nam thanh lọc các ngân hàng còn yếu kém, đảm bảo

việc phát triển vững chắc trong tương lai.

Vì vậy, NHNN cần có sự nhìn nhận đúng đắn về vấn đề này để đưa ra lộ trình và

các bước tiến hành phù hợp nhằm mang lại lợi ích cao nhất cho toàn hệ thống và bản

thân các ngân hàng. Vì vậy, NHNN cần:

Xây dựng khung khổ pháp lý điều chỉnh hoạt động M&A cụ thể và

thống nhất. Theo đó, hành lang này sẽ tạo điều kiện để xác lập giao dịch, địa

vị của bên mua, bên bán, hậu quả pháp lý sau khi kết thúc giao dịch. Hiện nay,

khung pháp lý cho hoạt động M&A nói chung và M&A trong lĩnh vực ngân

hàng nói riêng còn rải rác ở các luật, văn bản quy phạm pháp luật khác nhau.

Những quy định này còn chung chung, chưa chi tiết đã và đang gây nên những

khó khăn không nhỏ đối với các bên tham gia hoạt động M&A, cũng như với

cơ quan quản lý nhà nước trong việc kiểm soát hoạt động này. Ví dụ: trước

đây Quyết định 36/2003/QĐ-TTg của Thủ tướng Chính phủ ban hành ngày

11/3/2003 đã quy định tỷ lệ sở hữu của nhà đầu tư nước ngoài là 30%, trong

khi Nghị định 139/2007/NĐ-CP của Chính phủ, ngày 05/9/2007 hướng dẫn

Luật Doanh nghiệp không hạn chế việc mua, còn Luật Chứng khoán năm 2006

lại giới hạn tỷ lệ là 49%.

Đưa ra những quy định rõ ràng về trách nhiệm và quyền lợi của các bên

tham gia quá trình thực hiện M&A. Điều này là rất cần thiết, bởi nếu thực hiện

không đúng có thể gây nên những phản ứng tiêu cực lan truyền sang các tổ

chức tài chính khác và gây hệ lụy tới cả nền kinh tế. Cụ thể, NHNN cần có

quy định rõ ràng về thủ tục, quyền lợi và trách nhiệm của các bên tham gia

M&A ngân hàng. Việc quy định cụ thể này sẽ giúp tránh được những mâu

thuẫn nội bộ giữa các chủ thể này sau M&A.

Nới lỏng các quy định về nhà đầu tư nước ngoài tham gia mua cổ phần,

trở thành nhà đầu tư nói chung và nhà đầu tư chiến lược tại các NHTMCP Việt

Nam. Đặc biệt, cần nhấn mạnh việc xem xét, cho phép nhà đầu tư nước ngoài

mua lại hoặc sáp nhập với các tổ chức tín dụng yếu kém của Việt Nam và tiến

tới tăng giới hạn sở hữu cổ phần của họ tại các ngân hàng được cơ cấu lại.

Nhất là trong bối cảnh, Việt Nam đang rất cần bổ sung một nguồn vốn ngoại

cho hệ thống ngân hàng, nhằm đáp ứng tiêu chuẩn của Basel III (cụ thể là quy

định tỷ lệ dự phòng bảo toàn vốn bắt buộc là 2,5%).

Trong những năm qua, nhiều nhà đầu tư nước ngoài có ý định đầu tư vào lĩnh

vực ngân hàng Việt Nam đều bị giới hạn về tỷ lệ sở hữu cổ phần dành cho nước ngoài

(tối đa 30% vốn điều lệ). Và một cổ đông chiến lược nước ngoài chỉ được nắm không

quá 20% cổ phần của một ngân hàng trong nước. Việc tăng giới hạn sở hữu cổ phần sẽ

là nút mở cho các tổ chức tín dụng nước ngoài. Bởi thay vì phải thành lập ngân hàng

100% vốn nước ngoài, họ có thể chọn một ngân hàng nhỏ trong nước để đầu tư.

4.2.2 Nợ xấu

a. Phân loại nợ xấu

Thứ nhất, các tiêu chí xác định nợ xấu theo quy định hiện hành có bao gồm tiêu

chí định lượng (như: thời gian quá hạn, số lần cơ cấu lại thời hạn trả nợ,…) và tiêu chí

định tính (chấm điểm, xếp hạng khách hàng, đánh giá khả năng trả nợ của khách

hàng). Đến nay hầu hết các NHTM Việt Nam chỉ mới hạch toán nợ xấu theo thời gian

quá hạn trên 90 ngày (yếu tố 1); việc xác định khả năng trả nợ của khách hàng (yếu tố

2) đang gặp nhiều khó khăn. Phần lớn NHTM chưa hoặc đang thí điểm áp dụng

phương pháp này. Việc bao gồm các tiêu chí định tính và định lượng trong phân loại

nợ là phù hợp với thông lệ quốc tế. Tuy nhiên, do khoản nợ rủi ro và năng lực quản trị

rủi ro của các NHTM là khác nhau, nên việc sử dụng các tiêu chí định tính trong phân

loại nợ dễ dẫn đến sự thiếu minh bạch trong xác định và ghi nhận nợ xấu của NHTM

Thứ hai, một số NHTM không thực hiện đúng quy định về phân loại nợ, ghi nhận

nợ xấu thấp hơn thực trạng và quy định để giảm chi phí trích lập dự phòng rủi ro.

Thứ ba, do thiếu thông tin về phân loại nợ của khách hàng tại các NHTM, nên

dẫn đến có sự khác nhau về nhóm nợ của 1 khách hàng quan hệ tại nhiều NHTM.

Do các nguyên nhân trên, nợ xấu do NHTM báo cáo thường thấp hơn nợ xấu theo kết

quả giám sát NHTM và còn thấp hơn nữa so với nợ xấu theo kết quả thanh tra tại chỗ

của NHNN. Kết quả thanh tra tại chỗ vừa qua đối với một số NHTMCP yếu kém thuộc

diện phải cơ cấu lại cho thấy nợ xấu thực tế của các NHTM cao hơn nhiều số hiện báo

cáo của NHTM. Ngoài ra, sự khác nhau giữa 2 hệ thống kế toán Việt Nam và kế toán

theo chuẩn mực quốc tế đã khiến cho tỷ lệ nợ xấu không được phản ánh một cách

trung thực.

 cần tăng cường công tác thanh tra, giám sát trên cơ sở rủi ro, đặc biệt là rủi ro

tín dụng, giám sát kỷ luật hạch toán và tuân thủ các quy định về công tác tín

dụng đã được thể hiện đầy đủ trong quy định tín dụng của các NHTM.

 Cần có lộ trình dần trong việc áp dụng chế độ kế toán theo chuẩn mực quốc tế.

Hiện nay chuẩn mực kế toán Việt Nam (VAS) về hệ thống phân loại, xác định

và trích lập dự phòng rủi ro vẫn còn cách biệt so với áp dụng theo chuẩn mực

quốc tế (IFRS).

b. Tăng cường công tác xử lý nợ xấu hiện nay

VAMC đã thành lập, bước đầu đã đạt được những kết quả nhất định trong quá

trình xử lý nợ xấu nói riêng và tái cấu trúc hệ thống ngân hàng nói chung, nhưng tốc

độ xử lý nợ xấu còn chậm do thiếu đồng thuận về chính sách, thiếu nguồn lực tài chính

an toàn, thị trường mua bán nợ kém phát triển và nhà đầu tư nước ngoài thiếu khung

pháp lý để tham gia thị trường an toàn, nợ xấu tiềm tàng rất lớn từ các tập đoàn tư

nhân và nhà nước.

Vì vậy cần đẩy nhanh tốc độ xử lý các khoản nợ xấu thông qua VAMC. Để làm

được điều này, cần có những cơ chế cụ thể hơn về bảo lãnh tín dụng áp dụng cho

VAMC với thủ tục đơn giản, hiệu quả để tái cơ cấu doanh nghiệp; cải cách thủ tục

hành chính, đặc biệt là thủ tục sang nhượng, chuyển đổi tài sản áp dụng đặc biệt cho

VAMC; có chính sách khuyến khích thị trường mua bán nợ, như chính sách thuế,

chính sách sở hữu hoặc thuê tài sản đối với người nước ngoài...

4.2.3 Nâng cao năng lực quản trị của NHTM:

Nâng cao năng lực quản lý, điều hành trong các NHTM:

Đẩy mạnh công tác kiểm tra kiểm soát nội bộ để phát hiện và chấn chỉnh

kịp thời những bất ổn, thiếu sót trong hoạt động của mỗi Ngân hàng.

NHTM nên xây dựng một mô hình dự báo về khả năng tổn thương dựa

trên chỉ số CAMEL và các chỉ số vĩ mô để có thể có những phát hiện, cảnh

báo sớm các Ngân hàng có vấn đề nhằm có những hỗ trợ kịp thời cho các

NHTM, giảm thiểu tổn thất có thể xảy ra.

4.2.4 Thanh khoản:

Diễn biến trạng thái tỷ lệ cho vay/huy động(LDR) của Việt Nam được cho là cao

so với nhiều nước trong khu vực những năm gần đây. Tập hợp dữ liệu của một số tổ

chức quốc tế cho thấy, tỷ lệ LDR của Việt Nam những năm 2009 - 2012 thường duy trì

ở mức cao, từ trên 100% cho tới gần 120%; trong khi nhiều nước trong khu vực phổ

biến dưới 100%, như năm 2011 của Thái Lan là 95,8%, Malaysia 79,3%, Indonesia

75,5%, Philippines 62,6%...

Đến nay, LDR của hệ thống các NHTM Việt Nam đã có sự cải thiện khá nhanh

chóng. Tuy nhiên LDR chung của hệ thống (tính trên thị trường 1) cuối năm 2011 vẫn

ở mức 103,23%, nhưng đã giảm khá nhanh trong những tháng gần đây. Đến tháng

4/2012 là 94,73%, tháng 5 còn 91,6%, tháng 6 còn 90,97% và đến tháng 7/2012 đã

xuống 89,79%. Tuy nhiên, giữa các khối Ngân hàng cũng tồn tại khoảng cách khá lớn.

Cập nhật đến 31/7/2012, tỷ lệ LDR vẫn còn khá cao ở khối NHTMNN (102,52%), các

công ty tài chính và cho thuê tài chính (123,67%), song khối NHTMCP có tỷ lệ thấp

hơn hẳn với 73,66%.

Vì vậy, NHNN cần xem xét và áp dụng tỷ lệ LDR theo lộ trình phù hợp. Thời

gian qua, NHNN có ban hành Thông tư 22/2011/TT-NHNN sửa đổi Thông tư

13/2010/TT-NHNN, Thông tư 19/2010/TT-NHNN trong đó bỏ tỷ lệ cấp tín dụng/huy

động. Tuy nhiên NHNN cần xem xét và áp dụng quay trở lại tỷ lệ LDR theo lộ trình

phù hợp, dần theo thông lệ quốc tế, đảm bảo thanh khoản và ổn định trong hệ thống

Ngân hàng.

Một số thông lệ quốc tế về tỉ lệ LDR

Hàn Quốc: Bảng 4.1: Tỉ lệ LDR của các NHTM Hàn Quốc

Năm

2003

2004

2005

2006

2007

2008

6/09

9/09

12/09

/10

Loại trừ CD

95.4

101.7

103.7

111.9

127.1

121.9

115.3

113.6

112.1

110.4

Bao gồm CD

93.3

98.4

106.3

103

99.8

98.1

97.6

97.3

Nguồn: Ủy ban dịch vụ tài chính Hàn Quốc (FSC)

Trong Chương trình nghị sự về chính sách tài chính năm 2010 được công bố vào

tháng 12/2009, FSC đã công bố kế hoạch áp dụng tỉ lệ LDR như một trong những tỉ lệ

thanh khoản mang tính bắt buộc nhằm nâng cao chất lượng quản trị của các ngân hàng

và loại bỏ những nhân tố dẫn đến cạnh tranh không lành mạnh giữa các ngân hàng

trong hoạt động đầu tư và cho vay. Những thay đổi dự kiến trong quy định này sẽ được

áp dụng đối với các NHTM có các khoản cho vay vượt quá 2000 tỉ Won, bao gồm cả

các chi nhánh ngân hàng nước ngoài. Tỉ lệ LDR được tính theo công thức sau, loại trừ

chứng chỉ tiền gửi (CD):

LDR = Các khoản cho vay tính bằng Won/ Các khoản tiền gửi tính bằng Won.

Các ngân hàng phải hạ thấp tỉ lệ LDR xuống dưới 100% vào cuối năm 2013. Các

ngân hàng chính sách của Nhà nước như Ngân hàng Công nghiệp Hàn Quốc, Ngân

hàng Phát triển Hàn Quốc và Ngân hàng Xuất nhập khẩu Hàn Quốc không chịu sự

điều chỉnh bởi quy định này.

Indonesia: Ngân hàng Trung Ương Indonesia đã áp dụng các chuẩn mực quốc tế

từ đầu những năm 1993, trong đó, tỉ lệ LDR tối đa là 110%. Quy định tối đa về tỉ lệ

LDR đã được dỡ bỏ vào năm 2008 khi các ngân hàng đối mặt với tình trạng khó khăn

về thanh khoản do cuộc khủng hoảng tài chính toàn cầu. Trong giai đoạn 1993 - 1997,

tỉ lệ LDR bình quân của hệ thống ngân hàng đạt 80,5%. Sau cuộc khủng hoảng tài

chính châu Á, tỉ lệ LDR giảm mạnh còn khoảng 35 - 40% vào đầu những năm 2000; từ

năm 2004, tỉ lệ LDR có dấu hiệu tăng trở lại và đạt khoảng 73% vào cuối năm 2009.

Tỉ lệ LDR thấp chủ yếu là do các NHTM đầu tư vào trái phiếu, tín phiếu Ngân hàng

Trung Ương thay vì chấp nhận rủi ro để cho các công ty vay.

Bảng 4.2: Tỉ lệ LDR

93

94

95

96

97

98

99 2000 2001 2002 2003 2004 2005

Năm LDR (%)

78.5 81.2

103.9 105.7 72.4 26

33.7

33.1

38.4

43.2 61.79 64.73

Nguồn: Halim Alamsyah, Doddy Zulverdi, Iman Gunadi, Rendra Z. Idris, Bambang Pramono: “Banking Disintermediation and Its Implication for Monetary Policy: The Case of Indonesia”, 2005. Betty J. Parinussa: “Barriers and Issues to project financing in Indonesia”, 2006.

Nhằm đẩy mạnh hoạt động cho vay, thúc đẩy tăng trưởng kinh tế, vào cuối tháng

7/2010, Ngân hàng Trung ương công bố sẽ buộc các ngân hàng duy trì tỉ lệ LDR trong

khoảng 75 -102%. Các ngân hàng không đáp ứng tỉ lệ LDR buộc phải gửi dự trữ vượt

quá tại Ngân hàng Trung ương. (The Jakarta Globe, 20/8/2010)

Trung Quốc, Tanzania, Philippines, Bahrain, Quatar, Nepal:

Trung Quốc: quy định tỉ lệ LDR không vượt quá 75%.

Quy định về quản lí ngân hàng và định chế tài chính (quản lí thanh khoản) ngày

3/12/2008 của Thống đốc NHTƯ Tanzania, Benno J. Ndulu, phần II, Điều 8, khoản 1

và 2 quy định: Các ngân hàng hay định chế tài chính, tại mọi thời điểm, phải duy trì

tổng danh mục cho vay không được vượt quá 80% tổng tiền gửi (tỉ lệ LDR). Tiền gửi

bao gồm tiền gửi nội, ngoại tệ của khách hàng, các ngân hàng và tiền gửi đặc biệt.

Tương tự, ở Philippines, Bahrain, Ngân hàng Trung ương yêu cầu các ngân hàng

duy trì mức LDR tối đa là 75%; Quatar: 95%; Nepal: tỉ lệ LDR không được vượt quá

95% vào cuối năm 2009, 85% vào cuối năm 2010 và 80% vào cuối năm 2011.

Bảng 4.3: Tỉ lệ LDR mục tiêu của một số nước (%)

Nước

Indonesia

Quatar Nepal

Philippines Bahrain Tanzania

Hàn Quốc

Trung Quốc

Việt Nam

75-102

100

95-85-80 75

80 (85)

LDR (%) mục tiêu

Bảng 4.4: Tỉ lệ LDR trung bình phân theo thu nhập của các nhóm nước

trừ

LDR bình quân năm 2007 phân theo thu nhập của các nhóm nước

Châu Á Nhật Bản

2008

Thu nhập thấp

2001

Thu nhập cao

Thu nhập trung bình cao

Thu nhập trung bình thấp

LDR

100

Nguồn: GS. David G. Mayes, Peter J. Morgan, Hank Lim, 2010: “Deepening the

Financial System”

Bảng 4.4 minh họa tỉ lệ LDR trung bình năm 2007 của 4 nhóm nước phân theo

thu nhập và dữ liệu so sánh của châu Á trừ Nhật Bản. Dường như có mối quan hệ nào

đó, nhưng không rõ ràng, giữa thu nhập bình quân đầu người và tỉ lệ LDR. Nhìn

chung, tỉ lệ LDR tăng theo mức thu nhập bình quân đầu người. Tỉ lệ LDR bình quân

của châu Á trừ Nhật Bản đã giảm vào năm 2008, gần về mức của nhóm nước có thu

nhập thấp.

4.3 Những gợi ý và hướng nghiên cứu tiếp theo

Trong các nghiên cứu tiếp theo, cần phân tích thêm các nhân tố vĩ mô như: lạm

−

phát, GDP, lãi suất… tác động đến tính tổn thương của NHTM.

Đưa thêm nhân tố sở hữu chéo giữa các Ngân hàng vào bài nghiên cứu.

−

Tăng mẫu nghiên cứu và tăng số lượng quan sát. Có thể thu thập số liệu báo cáo

−

tài chính theo quý, thay vì thu thập theo năm.

KẾT LUẬN

Luận văn đã tập trung nghiên cứu xem xét các chỉ số tài chính tài chính nào của

NHTM tác động đến tính dễ tổn thương của NHTM Việt Nam giai đoạn từ năm 2008

đến 2012. Dựa trên số liệu báo cáo tài chính của các NHTM, sử dụng mô hình hồi quy

Binary logistic, luận văn đã đưa vào mô hình 14 biến số giải thích, đại diện cho các chỉ

số trong mô hình CAMEL (Vốn chủ sở hữu, tài sản, quản trị, thanh khoản, thu nhập)

và một biến số quy mô. Tuy nhiên chỉ có 4 biến ECTA (Vốn chủ sở hữu/Tài sản), NPL

(Nợ xấu trên tổng dư nợ vay), ROE (Lợi nhuận trên vốn chủ sở hữu), LDR (tổng cho

vay/tổng huy động) là có ý nghĩa thống kê, trong đó biến độc lập NPL là biến có tác

động mạnh nhất đến tính tổn thương của các NHTM Việt Nam. Các biến: ROA,

RORA, NPM, OEOI, NIM, TLTA, CTA, CBTD, GRWTH và biến quy mô không có ý

nghĩa trong mô hình. Ngoài ra, do hồi quy Binary logistic đòi hỏi ít giả định nên độ tin

cậy không cao. Do đó, phân tích biệt số MDA cũng được đưa vào trong luận văn để so

sánh. Kết quả nghiên cứu cho thấy mô hình Binary logistic có khả năng dự báo tốt hơn

phân tích biệt số MDA. Kết quả nghiên cứu có thể được sử dụng như một hệ thống

cảnh báo sớm các NHTM có vấn đề, đặc biệt trong giai đoạn nền kinh tế vẫn tiềm ẩn

nhiều rủi ro mà Ngân hàng có thể dễ bị tổn thương.

TÀI LIỆU THAM KHẢO

TIẾNG VIỆT

1. Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu với SPSS,

Nhà xuất bản Hồng Đức.

2. Lê Đắc Cù, 2010. Đôi điều cần bàn thêm về tỉ lệ cấp tín dụng so với nguồn vốn

huy động. Tạp chí Thị trường Tài chính - Tiền tệ, số 16/2010, trang 16.

3. http://www.sbv.gov.vn/portal/faces/vi/vilg/vilgpages_hethongtctd/nganhangthuon

gmaicophan?_adf.ctrl-state=wbmdi6avs_4&_afrLoop=1712025209564600

4. http://tapchi.hvnh.edu.vn/5744/news-detail/738295/so-125/kinh-nghiem-xu-ly-no-

xau-cua-mot-so-quoc-gia-va-nhung-bai-hoc-cho-viet-nam.html

5. http://cafef.vn/tai-chinh-ngan-hang/no-xau-nhin-tu-cac-ngan-hang-niem-yet-

201308240939018876ca34.chn:

6. http://www.tapchicongsan.org.vn/Home/kinh-te-thi-truong-

XHCN/2013/20370/He-thong-ngan-hang-Viet-Nam-trong-boi-canh-tai-co-

cau.aspx

TIẾNG ANH

1. Alper D. & Anbar A. (2011), Bank Specific and Macroeconomic Determinants of

Commercial Bank Profiatability: Empirical Evidence from Turkey, Bussiness and

Economics Research Journal, Volume 2, Number 2, 2011, pp. 139-152.

2. Babanskiy A. (2012), Determinants of bank failures. The case of Russia, Master

Thesis, Umea University

3. Berger A.N & De Young R. (1997), Problems loan and efficiency in commercial

banks, Journal of Banking and Fianance, Vol. 21, pp. 849-870

4. Beaver, William H. (1966), Financial Ratios as Predictors of Failure, Journal of

Accounting Research, Vol. 4, pp. 71-111.

5. Christopoulos Apostolos G. et a.l., (2011), Could Lehman Brothers’ Collapse Be

Anticipated? An Examination Using CAMELS Rating System, International

Business Research; Vol. 4 Issue 2, pp.11

6. Demirguc-Kunt and Detragiache (1998), The Determinants of Banking Crises in

Devloping and Developed Countries, IMF Staff Paper, Vol.45, No.1

7. Gunsel Nil (2011), Micro and Maro determinants of bank fragility in North Cyprus

economy, African Journal of Business Management, Vol.6 (4), pp. 1323-1329

8. Lanine and Vennet (2006), Failure prediction in the Russian bank sector with logit

and trait recognition models, Expert systems with applications, Vol.30, No.3,

pp.463-478

9. Mirsa S.K. and Aspal P. K. (2013), A Camel Model Analysis of State Bank

Group,World Journal of Social Sciences, Vol.3, No. 4, pp. 36-55

10. Montgomery H. et a.l. (2011), Coordinated Failure?A Cross-Country Bank Failure

Prediction Model, ADB Institute Discussion paper, No.32

11. Mwega F.M. (2009), Global Financial Crisis Discussion Series, Overseas

Development Institute, pp. 7

12. Nurazi R.&Evans M. (2005), An Indonesian Study of the use of Camel(s) Ratios

as predictors of Bank Failure, Journal of Economicand Social Policy, Volume 10,

Iss.1, Article 6.

13. Olweny T. and Shipo T.M. (2011), A Camel Model Analysis of State Bank Group,

World Journal of Social Sciences, Vol.3, No.4, pp. 36-55

14. Ongore V. O. and Kusa G. B. (2013), Determinants of Financial Performance of

Commercial Banks in Kenya,International Journal of Economics and Financial

Issues, Vol.3, No.1, 2013, pp. 237-252.

15. Poghosyan T. and Čihák M. (2011), Distress in European Bank: An Analysis

Based on a New Data Set, IMF Working Paper, pp.1-37

16. Prasad K.V.N (2012), Evaluating Performance of Public and Private Sector Banks

through Camel Model, Asian Journal of Research in Banking and Finance, Vol.2,

Issue 3, pp. 36-46

17. Taha Zaghdoudi (2013), Bank Failure Prediction with Logistic regression,

International Journal of Issues Economics and Fianancial, Vol.3, No.2, pp.537-

543.

18. Wheelock D.C & Wilson P.W (2000), Why do the bank disappear? The

determinants of US bank failures and acquisition, The Review of Economics and

Statistics, pp 127-138.

19. Berger A.N&Bouwman Christa H.S. (2009), Bank Capital, Survical, and

Performance around Crises, http://web.mit.edu/cbouwman/www/downloads/Berger

BouwmanBankCapPerFinCrises.pdf

PHỤ LỤC CHỈ SỐ TÀI CHÍNH CÁC NHTM (2008-2012)

TT

TEN NH

AB BINH

ACB

Bản Việt

BIDV

DAI A

EAB

EIB

HDBank

KienLong

ECTA RORA OBSEQ NPL ROA ROE NPM OEOI NIM LDR TLTA CTA CBTD GRWTH LGBS 0,286 0,006 0,840 0,012 0,004 0,013 0,148 0,732 0,029 0,748 0,485 0,013 0,368 -0,018 16,418 0,169 0,017 0,456 0,015 0,009 0,055 0,295 0,419 0,030 0,604 0,486 0,007 0,434 0,970 17,093 0,113 0,020 0,807 0,012 0,013 0,115 0,369 0,438 0,038 0,665 0,523 0,011 0,322 0,543 17,454 0,114 0,011 0,883 0,028 0,007 0,065 0,167 0,471 0,054 0,670 0,479 0,011 0,311 0,002 17,542 0,106 0,014 0,910 0,023 0,009 0,081 0,222 0,612 0,047 0,525 0,408 0,008 0,370 -0,058 17,644 0,074 0,030 0,222 0,009 0,018 0,248 0,455 0,375 0,035 0,470 0,331 0,088 0,480 0,095 18,472 0,060 0,021 0,281 0,004 0,015 0,242 0,495 0,367 0,026 0,640 0,371 0,040 0,464 0,790 18,939 0,055 0,018 2,897 0,003 0,011 0,205 0,425 0,393 0,026 0,646 0,425 0,053 0,354 0,398 19,139 0,043 0,020 2,720 0,009 0,011 0,268 0,420 0,412 0,033 0,581 0,366 0,031 0,539 0,179 19,454 0,072 0,007 0,576 0,025 0,004 0,062 0,134 0,732 0,048 0,740 0,583 0,040 0,249 0,000 18,988 0,315 0,002 0,002 0,012 0,001 0,005 0,078 0,882 0,037 0,572 0,387 0,004 0,617 0,233 15,024 0,332 0,027 0,035 0,035 0,016 0,049 0,343 0,454 0,054 1,329 0,695 0,007 0,259 0,786 15,018 0,253 0,010 0,007 0,041 0,007 0,027 0,279 0,537 0,025 0,715 0,445 0,004 0,556 0,582 15,923 0,195 0,024 0,009 0,027 0,016 0,082 0,466 0,360 0,028 0,498 0,258 0,003 0,564 0,196 16,647 0,158 0,015 0,307 0,019 0,010 0,063 0,306 0,529 0,027 0,509 0,376 0,003 0,530 0,777 16,844 0,055 0,011 6,706 0,001 0,008 0,148 0,237 0,414 0,028 0,860 0,653 0,009 0,238 2,824 19,323 0,060 0,013 7,028 0,001 0,010 0,160 0,277 0,447 0,029 1,023 0,696 0,010 0,242 0,282 19,507 0,066 0,014 5,140 0,001 0,010 0,155 0,327 0,483 0,027 0,931 0,694 0,009 0,253 0,232 19,719 0,060 0,011 3,258 0,001 0,008 0,131 0,208 0,432 0,033 1,064 0,724 0,009 0,248 0,156 19,821 0,055 0,009 2,998 0,027 0,006 0,112 0,179 0,427 0,030 0,992 0,701 0,007 0,216 0,156 19,999 0,238 0,027 0,023 0,001 0,016 0,066 0,347 0,504 0,060 0,967 0,600 0,017 0,369 0,087 14,938 0,148 0,004 0,021 0,001 0,003 0,020 0,133 0,818 0,025 0,789 0,600 0,014 0,372 1,307 15,772 0,289 0,012 0,054 0,007 0,008 0,029 0,265 0,528 0,031 0,973 0,523 0,016 0,507 0,373 16,228 0,158 0,024 0,144 0,009 0,017 0,106 0,421 0,409 0,042 0,416 0,315 0,009 0,684 0,199 16,916 0,189 0,015 0,143 0,053 0,011 0,057 0,221 0,527 0,051 0,658 0,511 0,011 0,392 0,309 16,701 0,101 0,024 0,743 0,025 0,016 0,153 0,364 0,382 0,030 0,961 0,737 0,059 0,209 0,432 17,363 0,099 0,022 0,672 0,013 0,014 0,140 0,353 0,438 0,032 1,049 0,808 0,062 0,146 0,344 17,565 0,097 0,019 0,570 0,016 0,012 0,122 0,340 0,486 0,032 1,077 0,686 0,119 0,320 0,115 17,839 0,090 0,025 0,877 0,017 0,015 0,163 0,333 0,455 0,049 1,053 0,680 0,126 0,332 0,148 17,986 0,088 0,014 0,671 0,039 0,008 0,095 0,207 0,494 0,044 0,894 0,731 0,070 0,165 0,151 18,054 0,266 0,025 0,370 0,047 0,015 0,055 0,376 0,319 0,033 0,654 0,440 0,092 0,536 0,151 17,692 0,204 0,028 0,308 0,018 0,017 0,085 0,439 0,352 0,041 0,929 0,586 0,104 0,386 0,808 17,997 0,103 0,021 0,382 0,014 0,014 0,134 0,495 0,280 0,025 0,681 0,476 0,049 0,438 0,624 18,692 0,089 0,024 0,383 0,016 0,017 0,186 0,487 0,306 0,032 0,595 0,407 0,040 0,590 0,198 19,028 0,093 0,020 0,319 0,013 0,013 0,135 0,397 0,426 0,033 0,583 0,440 0,078 0,568 0,003 18,952 0,175 0,009 0,088 0,019 0,006 0,036 0,280 0,616 0,015 0,963 0,646 0,014 0,383 -0,307 16,073 0,094 0,016 0,798 0,011 0,010 0,108 0,394 0,407 0,018 0,561 0,430 0,028 0,446 0,333 16,767 0,069 0,013 0,357 0,008 0,008 0,114 0,379 0,476 0,021 0,552 0,341 0,023 0,475 0,425 17,353 0,079 0,017 0,152 0,021 0,009 0,120 0,342 0,477 0,039 0,450 0,308 0,028 0,384 0,181 17,623 0,102 0,011 0,242 0,024 0,006 0,061 0,214 0,523 0,030 0,502 0,401 0,015 0,211 0,527 17,782 0,356 0,019 0,020 0,017 0,013 0,036 0,273 0,597 0,052 1,329 0,747 0,010 0,306 0,624 14,894

NAM Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008

KienLong

LIEN VIET

51 MB

52 MB

53 MB

54 MB

55 MB

56 MSB

57 MSB

58 MSB

59 MSB

60 MSB

NAM A

Nam Việt

OCB

OCEANbank

PGBank

Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008

Sacombank

0,149 0,017 0,030 0,012 0,012 0,082 0,357 0,464 0,036 0,784 0,652 0,007 0,268 1,220 15,828 0,256 0,024 0,070 0,011 0,016 0,061 0,413 0,383 0,046 0,878 0,557 0,005 0,278 0,438 16,347 0,194 0,034 0,010 0,028 0,022 0,114 0,431 0,387 0,057 0,651 0,471 0,006 0,399 0,199 16,697 0,185 0,028 0,057 0,029 0,019 0,102 0,317 0,512 0,065 0,709 0,521 0,006 0,271 0,152 16,738 0,462 0,068 0,015 0,005 0,060 0,129 0,740 0,252 0,085 0,635 0,324 0,005 0,793 0,000 15,824 0,220 0,036 0,100 0,003 0,031 0,141 0,606 0,362 0,056 0,488 0,312 0,002 0,375 1,246 16,670 0,117 0,024 0,448 0,004 0,020 0,166 0,514 0,385 0,040 0,398 0,281 0,003 0,244 0,813 17,370 0,117 0,022 0,799 0,021 0,017 0,148 0,465 0,447 0,042 0,276 0,227 0,003 0,464 0,297 17,843 0,111 0,018 0,604 0,027 0,013 0,117 0,376 0,448 0,046 0,399 0,346 0,003 0,326 0,802 18,011 0,100 0,021 3,701 0,018 0,016 0,157 0,425 0,339 0,035 0,441 0,355 0,009 0,474 0,355 17,608 0,100 0,023 3,981 0,016 0,017 0,170 0,442 0,295 0,032 0,573 0,429 0,008 0,504 0,880 18,050 0,081 0,023 6,495 0,013 0,016 0,196 0,427 0,307 0,036 0,590 0,445 0,008 0,427 0,649 18,513 0,069 0,022 7,861 0,016 0,018 0,258 0,483 0,365 0,044 0,508 0,425 0,007 0,418 0,210 18,749 0,073 0,019 5,697 0,018 0,017 0,232 0,383 0,345 0,043 0,502 0,424 0,005 0,338 0,261 18,984 0,057 0,014 0,587 0,015 0,010 0,169 0,394 0,363 0,024 0,390 0,344 0,008 0,575 0,717 17,301 0,056 0,017 0,757 0,006 0,012 0,218 0,470 0,309 0,023 0,443 0,374 0,007 0,491 1,130 17,973 0,055 0,017 0,916 0,019 0,010 0,183 0,448 0,358 0,026 0,388 0,276 0,008 0,388 0,333 18,563 0,083 0,010 0,748 0,023 0,007 0,084 0,331 0,521 0,016 0,443 0,330 0,011 0,364 0,186 18,555 0,083 0,003 0,268 0,027 0,002 0,025 0,086 0,708 0,025 0,322 0,263 0,009 0,384 -0,233 18,515 0,219 0,003 0,030 0,026 0,002 0,008 0,067 0,819 0,027 0,838 0,637 0,053 0,261 0,389 15,589 0,122 0,008 0,102 0,017 0,005 0,042 0,255 0,588 0,022 0,634 0,458 0,017 0,472 0,337 16,208 0,150 0,017 0,111 0,022 0,010 0,064 0,347 0,427 0,031 0,539 0,365 0,024 0,323 0,058 16,490 0,167 0,023 0,170 0,026 0,013 0,076 0,409 0,417 0,037 0,579 0,368 0,010 0,347 0,310 16,754 0,205 0,019 0,345 0,025 0,011 0,055 0,283 0,495 0,046 0,633 0,428 0,018 0,319 -0,014 16,589 0,099 0,007 0,174 0,029 0,005 0,053 0,211 0,666 0,027 0,581 0,502 0,013 0,492 0,255 16,205 0,062 0,011 0,287 0,025 0,008 0,122 0,301 0,426 0,020 0,666 0,533 0,014 0,388 0,819 16,743 0,101 0,012 0,174 0,022 0,008 0,078 0,298 0,523 0,029 0,672 0,538 0,039 0,342 0,081 16,812 0,143 0,012 0,322 0,029 0,007 0,052 0,242 0,575 0,040 0,706 0,574 0,016 0,240 0,200 16,929 0,148 0,000 0,083 0,056 0,000 0,001 0,003 0,876 0,045 1,042 0,597 0,009 0,150 -0,002 16,888 0,158 0,009 0,104 0,029 0,006 0,041 0,201 0,640 0,030 0,671 0,852 0,016 0,051 0,138 16,128 0,184 0,024 0,107 0,026 0,016 0,088 0,385 0,421 0,049 1,125 0,805 0,029 0,181 0,188 16,356 0,159 0,023 0,024 0,021 0,015 0,097 0,433 0,401 0,038 0,888 0,588 0,051 0,453 0,134 16,796 0,148 0,019 0,115 0,028 0,010 0,065 0,271 0,472 0,042 0,840 0,545 0,016 0,296 0,195 17,051 0,139 0,013 0,229 0,028 0,008 0,060 0,216 0,479 0,051 0,798 0,629 0,008 0,162 0,245 17,127 0,077 0,005 0,385 0,014 0,003 0,042 0,286 0,580 0,012 0,478 0,421 0,008 0,252 0,260 16,461 0,067 0,010 0,601 0,016 0,007 0,101 0,422 0,367 0,016 0,333 0,302 0,003 0,410 0,716 17,336 0,074 0,015 0,400 0,017 0,009 0,127 0,434 0,305 0,027 0,364 0,320 0,005 0,399 0,730 17,825 0,074 0,012 0,601 0,021 0,008 0,105 0,337 0,425 0,029 0,342 0,306 0,005 0,447 0,088 17,953 0,070 0,006 0,532 0,035 0,004 0,054 0,165 0,472 0,030 0,465 0,407 0,003 0,338 0,368 17,982 0,162 0,017 0,241 0,000 0,011 0,066 0,313 0,487 0,025 0,484 0,382 0,025 0,440 0,233 15,638 0,105 0,025 0,994 0,012 0,017 0,160 0,405 0,366 0,035 0,707 0,602 0,014 0,294 1,650 16,159 0,133 0,020 1,900 0,014 0,013 0,101 0,329 0,425 0,037 0,781 0,665 0,012 0,147 0,737 16,611 0,147 0,039 1,657 0,021 0,025 0,172 0,381 0,388 0,072 0,848 0,689 0,013 0,167 0,113 16,682 0,166 0,018 1,413 0,084 0,012 0,075 0,207 0,481 0,057 0,875 0,716 0,010 0,191 0,138 16,773 0,113 0,021 1,493 0,006 0,014 0,123 0,389 0,518 0,026 0,692 0,512 0,124 0,370 -0,010 18,041

Sacombank

Saigonbank

SCB

100

SCB

101

SeAbank

102

SeAbank

103

SeAbank

104

SeAbank

105

SeAbank

106

SHB

107

SHB

108

SHB

109

SHB

110

SHB

111

Southernbank

112

Southernbank

113

Southernbank

114

Southernbank

115

Southernbank

116

Techcombank

117

Techcombank

118

Techcombank

119

Techcombank

120

Techcombank

121

VCB

122

VCB

123

VCB

124

VCB

125

VCB

126

VIB

127

VIB

128

VIB

129

VIB

130

VIB

131

VIET A

0,101 0,025 2,653 0,006 0,016 0,158 0,408 0,400 0,033 0,943 0,574 0,084 0,420 0,704 18,460 0,092 0,020 1,199 0,005 0,013 0,136 0,378 0,431 0,035 0,880 0,541 0,083 0,400 0,383 18,842 0,103 0,024 0,568 0,006 0,014 0,137 0,295 0,531 0,049 0,916 0,569 0,084 0,276 -0,024 18,768 0,090 0,011 0,802 0,020 0,007 0,073 0,146 0,606 0,052 0,859 0,633 0,064 0,195 0,196 18,840 0,131 0,023 0,070 0,007 0,014 0,110 0,378 0,407 0,032 0,874 0,706 0,012 0,227 0,075 16,232 0,163 0,026 0,067 0,018 0,018 0,109 0,360 0,380 0,050 1,074 0,819 0,011 0,081 0,228 16,290 0,210 0,058 0,036 0,019 0,047 0,225 0,657 0,227 0,040 0,900 0,622 0,009 0,207 0,075 16,638 0,241 0,028 0,060 0,048 0,019 0,078 0,326 0,350 0,060 1,050 0,701 0,011 0,150 0,070 16,584 0,238 0,031 0,065 0,029 0,020 0,084 0,283 0,364 0,078 0,995 0,731 0,013 0,128 -0,029 16,514 0,073 0,020 0,322 0,006 0,012 0,165 0,378 0,380 0,031 0,757 0,603 0,003 0,175 0,195 17,469 0,082 0,009 0,164 0,013 0,006 0,070 0,295 0,427 0,020 0,744 0,575 0,012 0,140 0,345 17,814 0,078 0,010 0,305 0,114 0,005 0,059 0,183 0,388 0,011 0,743 0,551 0,046 0,193 0,060 17,913 0,062 0,010 0,506 0,073 0,005 0,082 0,289 0,335 0,026 0,719 0,541 0,014 0,115 0,271 18,172 0,076 0,001 0,023 0,072 0,000 0,006 0,019 0,711 0,032 0,905 0,591 0,029 0,096 1,090 18,821 0,181 0,011 0,045 0,021 0,008 0,043 0,367 0,423 0,030 0,453 0,341 0,006 0,563 -0,313 16,919 0,179 0,021 0,285 0,019 0,015 0,084 0,484 0,281 0,029 0,391 0,315 0,007 0,652 0,269 17,236 0,104 0,016 0,389 0,021 0,011 0,110 0,437 0,311 0,022 0,517 0,371 0,006 0,375 1,131 17,827 0,055 0,002 0,535 0,028 0,001 0,023 0,155 0,724 0,012 0,241 0,194 0,006 0,756 -0,042 18,432 0,074 0,001 0,212 0,030 0,001 0,009 0,045 0,812 0,018 0,266 0,222 0,006 0,623 -0,150 18,134 0,158 0,022 0,016 0,019 0,014 0,086 0,408 0,399 0,013 0,658 0,435 0,005 0,340 0,495 16,481 0,088 0,017 0,502 0,028 0,012 0,131 0,374 0,397 0,032 0,874 0,467 0,005 0,505 1,052 17,129 0,082 0,014 0,304 0,014 0,010 0,117 0,335 0,460 0,030 0,625 0,476 0,004 0,317 0,894 17,748 0,082 0,016 0,550 0,022 0,011 0,129 0,338 0,505 0,030 0,575 0,411 0,006 0,381 0,200 18,078 0,082 0,018 0,556 0,088 0,014 0,177 0,574 0,571 0,021 0,573 0,489 0,004 0,336 0,953 18,574 0,115 0,010 0,035 0,017 0,006 0,049 0,274 0,619 0,023 0,607 0,459 0,109 0,278 0,624 16,849 0,083 0,011 0,082 0,023 0,007 0,085 0,330 0,388 0,022 0,769 0,558 0,043 0,307 1,074 17,384 0,059 0,010 0,066 0,018 0,007 0,117 0,393 0,382 0,017 0,674 0,519 0,046 0,344 0,580 17,914 0,057 0,005 0,055 0,022 0,003 0,056 0,194 0,567 0,027 0,735 0,505 0,037 0,254 0,130 18,064 0,058 0,003 0,140 0,025 0,002 0,028 0,092 0,543 0,017 0,692 0,580 0,020 0,081 0,235 18,137 0,095 0,031 1,486 0,025 0,020 0,210 0,377 0,290 0,050 0,542 0,446 0,026 0,402 0,328 17,895 0,079 0,027 1,586 0,025 0,018 0,232 0,434 0,302 0,037 0,579 0,455 0,021 0,426 0,598 18,344 0,062 0,021 1,485 0,023 0,014 0,221 0,439 0,336 0,026 0,489 0,352 0,029 0,498 0,257 18,828 0,069 0,027 1,497 0,028 0,017 0,252 0,473 0,315 0,037 0,464 0,351 0,028 0,386 0,199 19,011 0,074 0,007 1,670 0,027 0,004 0,058 0,133 0,572 0,035 0,453 0,379 0,025 0,275 0,076 19,008 0,062 0,018 4,277 0,046 0,011 0,184 0,285 0,303 0,039 0,623 0,508 0,016 0,356 0,155 19,218 0,065 0,023 2,714 0,025 0,015 0,236 0,425 0,376 0,033 0,681 0,554 0,018 0,371 0,256 19,359 0,067 0,019 2,481 0,028 0,014 0,205 0,368 0,394 0,031 0,669 0,575 0,017 0,352 0,248 19,544 0,078 0,017 1,848 0,020 0,012 0,147 0,284 0,383 0,039 0,762 0,571 0,015 0,440 0,184 19,720 0,100 0,015 1,141 0,024 0,011 0,107 0,293 0,398 0,031 0,757 0,582 0,014 0,273 0,152 19,843 0,066 0,007 1,462 0,004 0,005 0,074 0,186 0,666 0,026 0,622 0,570 0,013 0,285 0,181 17,363 0,052 0,002 1,809 0,006 0,008 0,156 0,289 0,545 0,025 0,578 0,483 0,011 0,401 0,383 17,852 0,070 0,003 0,897 0,007 0,008 0,120 0,312 0,470 0,026 0,617 0,445 0,015 0,414 0,526 18,357 0,084 0,011 0,525 0,009 0,007 0,078 0,182 0,482 0,041 0,597 0,449 0,012 0,422 0,042 18,390 0,129 0,014 0,500 0,027 0,008 0,062 0,160 0,557 0,055 0,674 0,521 0,011 0,199 -0,221 17,990 0,140 0,011 0,053 0,013 0,007 0,050 0,254 0,547 0,027 0,777 0,645 0,112 0,322 0,151 16,145

132

VIET A

133

VIET A

134

VIET A

135

VIET A

136

Viettinbank

137

Viettinbank

138

Viettinbank

139

Viettinbank

140

Viettinbank

141

VPBank

142

VPBank

143

VPBank

144

VPBank

145

VPBank

146 Westernbank

147 Westernbank

148 Westernbank

149 Westernbank

150 Westernbank

Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012 Năm 2008 Năm 2009 Năm 2010 Năm 2011 Năm 2012

0,108 0,021 0,142 0,014 0,013 0,122 0,381 0,387 0,035 1,062 0,761 0,129 0,253 0,816 16,577 0,141 0,018 0,060 0,022 0,011 0,078 0,364 0,420 0,042 0,853 0,552 0,101 0,322 0,104 16,997 0,159 0,020 0,382 0,035 0,011 0,069 0,379 0,505 0,047 0,921 0,514 0,042 0,275 -0,129 16,930 0,144 0,012 0,033 0,072 0,007 0,046 0,306 0,593 0,033 0,763 0,524 0,042 0,200 0,113 17,019 0,064 0,014 1,292 0,018 0,009 0,146 0,208 0,570 0,041 0,926 0,624 0,010 0,201 0,182 19,081 0,052 0,007 2,137 0,006 0,005 0,102 0,237 0,583 0,020 0,999 0,669 0,009 0,194 0,351 19,312 0,049 0,013 2,015 0,007 0,009 0,188 0,230 0,486 0,035 0,972 0,637 0,008 0,244 0,435 19,723 0,062 0,020 1,840 0,008 0,014 0,220 0,280 0,406 0,048 0,885 0,637 0,008 0,245 0,253 19,948 0,067 0,018 1,659 0,015 0,012 0,183 0,281 0,430 0,041 0,864 0,662 0,005 0,188 0,136 20,037 0,126 0,012 0,680 0,015 0,008 0,061 0,205 0,648 0,040 0,837 0,696 0,027 0,180 -0,023 16,741 0,093 0,015 0,731 0,006 0,011 0,115 0,319 0,519 0,031 0,660 0,574 0,013 0,355 0,218 17,131 0,087 0,013 0,705 0,019 0,008 0,097 0,385 0,416 0,022 0,671 0,423 0,006 0,332 0,601 17,907 0,072 0,015 1,287 0,016 0,010 0,133 0,318 0,518 0,029 0,531 0,352 0,012 0,446 0,152 18,232 0,065 0,010 1,932 0,016 0,006 0,097 0,205 0,600 0,035 0,433 0,360 0,008 0,340 0,265 18,446 0,414 0,062 0,006 0,023 0,037 0,090 0,532 0,237 0,081 0,923 0,513 0,004 0,702 1,171 14,794 0,110 0,016 0,011 0,021 0,012 0,105 0,489 0,343 0,017 0,200 0,174 0,001 0,695 0,313 16,149 0,223 0,009 0,037 0,010 0,005 0,024 0,227 0,589 0,027 0,578 0,426 0,005 0,242 1,218 16,049 0,154 0,010 0,042 0,013 0,006 0,038 0,266 0,617 0,027 0,538 0,431 0,003 0,229 1,229 16,838 0,212 0,005 0,002 0,073 0,002 0,011 0,090 0,706 0,041 0,450 0,347 0,003 0,209 -0,407 16,532