quản trị ngân hàng & doanh nghiệp

Đánh giá khả năng trả nợ của

doanh nghiệp bằng ứng dụng
Mô hình Logit
Trong xu thế cạnh tranh ngày càng gay gắt của ngành Ngân hàng và sự gia tăng
quản lý của Chính phủ tới việc quản trị rủi ro- đặc biệt là sau thời kỳ nợ xấu bùng
nổ, các ngân hàng thương mại (NHTM) Việt Nam đã rất chú trọng tới việc xây dựng
và phát triển hệ thống xếp hạng tín dụng nội bộ để kiểm soát rủi ro tín dụng (RRTD),
giảm thiểu nợ xấu và tăng lợi nhuận. Tuy nhiên, mặc dù hệ thống xếp hạng tín dụng
nội bộ của các ngân hàng đã ngày càng được hoàn thiện nhưng thực trạng bùng nổ
về nợ xấu trong những năm qua đã cho thấy những thiếu sót của các hệ thống chấm
điểm này. Chính vì vậy, việc thiết lập một mô hình định lượng để đo lường và dự báo
xác suất vỡ nợ của doanh nghiệp (DN) là một yêu cầu cấp thiết.
Bài viết này đề xuất ứng dụng mô hình Logit trong phân tích các chỉ tiêu tài chính
để đánh giá khả năng trả nợ của DN với mục đích chính là nhằm hỗ trợ cho các
ngân hàng trong công tác xếp hạng tín dụng, ra quyết định cho vay hoặc phân loại
nợ. Mặt khác, mô hình Logit được đề xuất cũng giúp cho các DN có thể tiếp cận tốt
hơn với các nguồn lực tín dụng dựa trên thông tin tín dụng là sẵn có và đáng tin cậy.

ThS. PHI HỒNG HẠNH

Đại học Tài chính Quản trị Kinh doanh

THAÙNG 4.2015 - SOÁ 155 45

 Từ khóa: mô hình Logit, rủi
ro tín dụng, xác suất vỡ nợ
1. Cơ sở lý thuyết
iện nay, bên cạnh
phương pháp chuyên
gia như phương pháp
xếp hạng tín nhiệm
của Fitch, Moody’s Investors
Service (Moody’s) và Standard
& Poor’s (S&P), các phương
pháp dự báo rủi ro tín dụng DN
dựa trên dữ liệu thống kê đã
và đang phát triển ngày càng
mạnh mẽ cả về chiều rộng và
chiều sâu.
Từ những năm 1930, mô hình
xác suất tuyến tính (Linear
probability model- LPM) đã
được sử dụng để dự báo rủi ro
tín dụng cho ngân hàng. Tuy
nhiên, do mô hình gặp phải
nhiều hạn chế như sai số hồi
quy không phân phối chuẩn,
phương sai thay đổi, xác suất
không phân bố trong khoảng
0-1… nên sau đó hầu như mô
hình này không còn được sử
dụng trong dự báo RRTD nữa.
Đến năm 1968, phương pháp
phân tích khác biệt đa nhân
tố (MDA) đã được Altman sử
dụng để xây dựng mô hình dự
doán xác suất vỡ nợ của các
công ty trên thị trường Mỹ. Kết
quả là từ 22 chỉ số ban đầu, một
hàm biệt thức gồm 5 chỉ số đã
được thiết lập. Hàm biệt thức
này được gọi là mô hình điểm
số Z (Z- Score) và Z được xác
định dựa trên giá trị của từng
chỉ số và trọng số tương ứng
của nó. Các thực nghiệm trên
thị trường Mỹ cho thấy mô
hình điểm số Z của Altman đã
dự đoán tương đối chính xác
khả năng vỡ nợ của một công
46
ty 2 năm trước khi các sự kiện parametric) phức tạp như lân
thực tế xảy ra. Từ mô hình cận gần nhất K và mạng nơ ron
điểm số Z, Altman và cộng sự thần kinh. Mô hình ước lượng
đã phát triển mô hình điểm số và dự báo dựa trên lân cận gần
Z’ (1992) để dự báo cho các nhất K và mạng nơ ron thần
công ty sản xuất tư nhân và mô kinh cũng được đánh giá là tốt
hình Z’’ (1995) để dự báo cho hơn so với mô hình Logit và
các công ty phi sản xuất. Cho Probit, sau đó mới là MDA và
đến nay, mô hình điểm số Z của LPM nhưng do lân cận gần nhất
Altman đã được rất nhiều quốc K và mạng nơ ron thần kinh
gia áp dụng, với khoảng hơn 30 đòi hỏi dữ liệu đầu vào lớn, các
mô hình khác nhau ở các nước. phương pháp này cũng rất phức
Mô hình ở mỗi nước có thể tạp và chưa phổ biến nên trong
khác so với mô hình gốc tùy khuôn khổ bài viết này, với yêu
thuộc vào tình trạng và đặc thù cầu mẫu không quá cao, ít ràng
kinh tế của mỗi quốc gia (Đào buộc về mặt giả thiết, mô hình
Thị Thanh Bình, 2013). Logit đã được lựa chọn để làm
Bên cạnh phương pháp MDA, cơ sở phân tích số liệu.
từ những năm 1980 trở lại đây, 2. Mô hình và giả thuyết
mô hình Logit và Probit cũng nghiên cứu
được sử dụng khá phổ biến. Mô hình Logit được sử dụng
Lý do là Logit và Probit không để xem xét ảnh hưởng của quy
cần bất cứ giả thiết nào về phân mô DN và các chỉ tiêu tài chính
phối của các biến độc lập, kiểm đến xác suất vỡ nợ (khả năng
định thống kê không phức tạp, trả nợ) của DN. Dạng của mô
có thể điều
chỉnh hàm e (β0 + βi X i ) 1
E (Y = 1 / X i ) = pi = ( ) =
phi tuyến 1+ e β 0 + β i X i
1 + e β0 − βi X i )
( −
dễ dàng và
các biến định tính đều xử lý hình Logit được viết như sau:
được thông qua việc thiết lập Mô hình này có p không phải
biến giả có thể chuyển thành là hàm tuyến tính của các biến
định lượng. Mô hình Logit và độc lập. Do đó, trong mô hình
Probit đã được ứng dụng trong Logit, người ta không nghiên
rất nhiều lĩnh vực khác nhau và cứu ảnh hưởng trực tiếp của
trong ngân hàng, nó chủ yếu biến độc lập Xk đối với Y mà
được sử dụng để ước lượng xác xem xét ảnh hưởng của Xk
suất vỡ nợ của người đi vay đến xác suất để Y nhận giá trị
dựa trên những thông tin có bằng 1 hay kỳ vọng của Y. Ảnh
được của khách hàng. hưởng của Xk­ đến pi được tính
Ngoài các phương pháp trên, như sau:
gần đây cũng xuất
hiện các cách thức ∂pi exp( X i βˆ )
= β = pi (1 − pi ) β k
tiếp cận mới sử ∂X k (1 + exp( X i βˆ ) 2 k
dụng phương pháp
thống kê phi thông số (non- Trong bài viết này, mô hình
SOÁ 155 - THAÙNG 4.2015
 Logit xây dựng bao gồm 1 biến
phụ thuộc và 13 biến độc lập,
cụ thể các biến trong mô hình
được giải thích như sau:
Biến phụ thuộc: Khả năng
trả nợ của DN (Y)
Y = 1: DN có nợ xấu/ Khả
năng trả nợ thấp
Y = 0: DN không có nợ xấu/
Khả năng trả nợ cao
Biến phụ thuộc Y được xác
định căn cứ vào số ngày chậm
nộp thuế của DN. Những DN
chậm nộp thuế trên 90 ngày
được coi là có nợ xấu vì khi
chậm nộp thuế trên 90 ngày: (i)
DN đã biết việc chậm nộp thuế
và số tiền thuế nợ; (ii) DN chấp
nhận tiền phạt theo lãi suất phạt
bằng 0,05%/ngày tương đương
1,5%/tháng, có thể coi như
ngang bằng lãi suất quá hạn
của ngân hàng; (iii) DN phải
chịu các biện pháp cưỡng chế
để truy thu thuế như: Cơ quan
thuế trích tiền gửi ngân hàng
để thu hồi tiền thuế, kê biên và
phát mãi tài sản khác của đối
tượng trốn thuế, thu hồi mã
số thuế, đình chỉ sử dụng hóa
đơn.... Do đó, trong trường hợp
chậm nộp thuế trên 90 ngày, có
thể DN đang gặp khó khăn về
tài chính, việc trả nợ cho ngân
hàng vì thế cũng có thể khó
được đảm bảo và khả năng có
nợ xấu là rất cao.
Biến độc lập (bao gồm các
biến từ X1 đến X13) được mô
tả cụ thể trong Bảng 1. Dấu kỳ
vọng mô hình Logit thể hiện kỳ
vọng về mối quan hệ giữa biến
độc lập (Xi) và biến phụ thuộc
Y.
3. Phương pháp nghiên cứu
3.1. Phương pháp thu thập
số liệu
Nghiên cứu sử dụng bộ số
liệu lấy từ báo cáo tài chính,
báo cáo quyết toán thuế và xác
nhận của cơ quan thuế về việc
DN đã nộp thuế vào NSNN
năm 2012- 2013 của 93 DN
thuộc nhóm ngành nông, lâm
và ngư nghiệp đang vay vốn tại
NHTMCP Ngoại thương Việt
Nam. Các DN này thuộc một
trong ba trường hợp sau: (i)
Nộp thuế đầy đủ và đúng hạn;
(ii) chậm nộp thuế đến 90 ngày;
và (iii) chậm nộp thuế trên 90
ngày. Từ 93 DN này, các DN
thiếu báo cáo quyết toán thuế
hoặc có báo cáo tài chính
không đầy đủ hoặc các chỉ tiêu
chính trong báo cáo tài chính
thiếu, khuyết hoặc không khớp
nhau sẽ bị loại. Cuối cùng, mẫu
nghiên cứu bao gồm 79 quan
sát tương ứng với 79 DN và 79
báo cáo tài chính được sử dụng
để đưa vào mô hình.
3.2. Phương pháp phân tích
số liệu
Nghiên cứu sử dụng hồi
qui logistic nhị thức (binary
logistic) với sự trợ giúp kĩ thuật
của phần mềm SPSS 18.0 để

Bảng 1. Các biến độc lập kì vọng của mô hình Logit

Dấu kì vọng
Ký hiệu Chỉ tiêu
MH Logit
Quy mô của DN:
D = 0 nếu DN có quy mô nhỏ
X1 -
D = 1 nếu DN có quy mô vừa
D = 2 nếu DN có quy mô lớn
X2 Khả năng thanh toán ngắn hạn = Tài sản ngắn hạn/ Nợ ngắn hạn -
X3 Khả năng thanh toán nhanh = (TS ngắn hạn – Hàng tồn kho)/ Nợ ngắn hạn -
X4 Vòng quay hàng tồn kho = Giá vốn hàng bán/Hàng tồn kho bình quân -
X5 Kỳ thu tiền bình quân = (360 * Các khoản phải thu)/Doanh thu thuần +
X6 Hiệu suất sử dụng tổng tài sản = Doanh thu thuần/Tổng tài sản -
X7 Vòng quay vốn lưu động = Doanh thu thuần/Tổng TS ngắn hạn bình quân -
X8 Tỷ số Nợ phải trả/Tổng tài sản +
X9 Tỷ số Nợ phải trả/ Vốn chủ sở hữu +
X10 Lợi nhuận trước thuế/ Doanh thu thuần -
X11 Lợi nhuận trước thuế/ Tổng tài sản -
X12 Lợi nhuận trước thuế/ Vốn chủ sở hữu -
X13 Hệ số khả năng trả lãi vay = (LN trước thuế + Chi phí lãi vay)/Chi phí lãi vay -
Ghi chú: Dấu (-) kì vọng mối quan hệ ngược chiều, dấu (+) kì vọng mối quan hệ thuận chiều giữa biến độc
lập (Xi) và biến phụ thuộc Y trong mô hình

THAÙNG 4.2015 - SOÁ 155 47

 Bảng 2. Kết quả hồi quy Binary Logistic
mô DN có tác động thuận chiều
Biến (Variables) Hệ số hồi quy (B) Giá trị P (Sig.)
đến xác suất có nợ xấu của DN,
Hằng số (Constant) 19,666 .070
Quy mô doanh nghiệp (X1) 1,960 .048
hay nói cách khác DN có quy
Khả năng thanh toán ngắn hạn (X2) - 7,373 .023 mô càng lớn thì xác suất có nợ
Kỳ thu tiền bình quân (X5) 0,024 .063 xấu càng cao. Nguyên nhân
Nợ phải trả/ Tổng tài sản (X8) - 29,435 .090 dẫn tới kết quả này là do giá
Nợ phải trả/ Vốn chủ sở hữu (X9) 3,395 .027 trị trung bình (mean) của các
Hệ số khả năng trả lãi vay (X13) - 2,711 .012
chỉ tiêu về khả năng thanh toán
Tổng số quan sát 79
ngắn hạn, kỳ thu tiền bình quân,
Giá trị kiểm định chi bình phương 86,275
Giá trị P (sig.) của kiểm định chi bình phương ,000 nợ phải trả/tổng tài sản, nợ phải
Giá trị của -2LL (-2 Log likelihood) 23,229 trả/vốn chủ sở hữu và hệ số khả
Tỷ lệ dự đoán đúng của mô hình 93,7% năng trả lãi vay của nhóm các
Ghi chú: Có ý nghĩa ở mức ý nghĩa 10% khi P<0,1; có ý nghĩa ở mức ý nghĩa DN lớn đều không tốt bằng
5% khi P<0,05; có ý nghĩa ở mức ý nghĩa 1% khi giá trị P<0,01 nhóm các DN vừa và kém hơn
hẳn so với nhóm các DN nhỏ.
ước lượng xác suất có nợ xấu thì mức độ phù hợp của mô Trong mô hình, xác suất vỡ nợ
của DN dựa trên những thông hình càng cao, khi -2LL = 0 mô trung bình ước lượng được của
tin có được về biến độc lập. hình đạt được độ phù hợp hoàn 26 DN lớn là 0,5452 trong khi
4. Kết quả nghiên cứu hảo). chỉ số này ở nhóm 22 DN vừa
Từ 13 biến độc lập đưa vào (iii) Tỷ lệ dự đoán đúng của và 31 DN nhỏ còn lại chỉ là
mô hình, thông qua việc xem mô hình khá cao: Trong 39 0,5294 và 0,4572. Dấu của hệ
xét hệ số tương quan của một DN không có nợ xấu, mô hình số B(1) ngược với dấu kì vọng
số cặp biến r (X2, X3) = 0,999; dự đoán đúng 37 DN với tỷ lệ của mô hình khá phù hợp với
r (X6, X7) = 0,777; r (X10, đúng là 94,9% và trong 40 DN thực tế các DN ở Việt Nam khi
X11) = 0,728 và giá trị p (sig.) có nợ xấu, mô hình đự đoán sai mà báo cáo tài chính của phần
của từng biến độc lập Xi trong 3 DN với tỷ lệ đúng là 92,5%, lớn các DN vừa và nhỏ thường
mô hình hồi quy tổng thể với theo đó tỷ lệ dự đoán đúng của không được kiểm toán, và vì
đầy đủ các biến số, các biến toàn bộ mô hình là 93,7%. vậy để vay được vốn của ngân
X7, X11, X4, X3, X12, X6, (iv) Các biến quy mô DN hàng, các số liệu trong báo
X10 lần lượt được loại ra khỏi (X1), khả năng thanh toán ngắn cáo tài chính có thể đã bị thổi
mô hình. Mô hình cuối cùng hạn (X2), kỳ thu tiền bình quân phồng hoặc cố ý làm sai lệch so
hồi quy 6 biến độc lập X1, X2, (X5), nợ phải trả trên tổng tài với thực tế.
X5, X8, X9, X13 theo biến phụ sản (X8), nợ phải trả trên vốn - Khả năng thanh toán ngắn
thuộc cho kết quả hồi quy như chủ sở hữu (X9) và hệ số khả hạn (X2) cho biết trung bình
Bảng 2. năng trả lãi vay (X13) đưa vào mỗi đồng nợ ngắn hạn của
Bảng 2 cho thấy: mô hình đều có ý nghĩa thống DN có bao nhiêu đồng tài sản
(i) Toàn bộ các hệ số trong kê trong việc ảnh hưởng đến ngắn hạn sẵn sàng chi trả. Đối
mô hình đều có ý nghĩa trong khả năng trả nợ của DN với với các DN nông, lâm và ngư
việc giải thích cho biến phụ mức ý nghĩa từ 10% đến 5%. nghiệp chỉ tiêu này tốt nhất
thuộc vì giá trị Sig. của kiểm Sự tác động của các biến độc nằm trong khoảng từ 1 đến 3.
định chi bình phương là 0,000; lập lên biến phụ thuộc trong Trong mô hình, chỉ tiêu khả
(ii) Mức độ phù hợp của mô mô hình được xem xét lần lượt năng thanh toán ngắn hạn có
hình chấp nhận được vì giá trị như sau: ý nghĩa ở mức thống kê 5%.
của -2LL = 23,229 không quá - Quy mô DN (X1) có ý nghĩa Hệ số hồi quy B(2) = - 7,373
cao (trong hồi quy logistic nhị ở mức thống kê 5%. Hệ số hồi cho thấy khả năng thanh toán
thức, giá trị của -2LL càng nhỏ quy B(1) = 1,960 cho thấy quy ngắn hạn tác động ngược chiều

48 SOÁ 155 - THAÙNG 4.2015

 đến xác suất có nợ xấu của DN.
Kết quả này hoàn toàn phù hợp
với lý thuyết vì khi DN có khả
năng thanh toán ngắn hạn càng
cao thì khả năng trả nợ vay sẽ
càng tốt và vì thế xác suất có
nợ xấu của DN cũng thấp đi
tương ứng.
- Kỳ thu tiền bình quân (X5)
cho biết DN phải mất bao
nhiêu ngày mới thu hồi được
các khoản phải thu. Đối
với các DN nông, lâm,
ngư nghiệp, kỳ thu tiền
E (Yt
bình quân tốt nhất nằm
trong khoảng từ 35- 70 ngày.
Trong mô hình, kỳ thu tiền bình
quân có ý nghĩa ở mức thống
kê 10%. Hệ số hồi quy B(3) =
0,024 cho thấy kỳ thu tiền bình
quân tác động thuận chiều đến
xác suất có nợ xấu của DN. Kết
quả này cũng phù hợp với thực
tế vì kỳ thu tiền bình quân càng
dài thì hiệu quả thu hồi nợ của
DN đối với các khoản phải thu
càng kém và do đó ảnh hưởng
không tốt đến khả năng hoàn
trả nợ vay cho ngân hàng.
- Nợ phải trả trên tổng tài sản
(X8) có ý nghĩa ở mức thống
kê 10%. Hệ số hồi quy B(4) =
- 29,435 ngược dấu với dấu kì
vọng hàm ý rằng nợ phải trả trên
tổng tài sản có tác động ngược
chiều tới xác suất có nợ xấu của
DN, hay nợ phải trả/tổng tài
sản càng cao thì xác suất có nợ
xấu của DN càng thấp. Kết quả
này mặc dù không phù hợp về
mặt lý thuyết nhưng vẫn chấp
nhận được vì có một khoảng
cách khá xa về giá trị trung
bình của nợ phải trả/tổng tài
sản giữa hai nhóm có nợ xấu và
không có nợ xấu. Thống kê cho
THAÙNG 4.2015 - SOÁ 155
thấy chỉ số này ở 39 DN không
có nợ xấu là 0,4807 trong khi ở
40 DN có nợ xấu là 0,7451 và
của cả 79 DN là 0,6146. Điều
này có nghĩa là đối với các DN
thuộc lĩnh vực nông, lâm, ngư
nghiệp, nếu DN có nợ phải trả/
tổng tài sản ở mức thấp thì việc
DN gia tăng nợ phải trả trong
giới hạn cho phép vẫn có thể
đảm bảo được khả năng trả nợ
e(19 .666+1.960 X1−7.373 X 2 +0.024 X 5 −29 .435 X 8 +3.395 X 9 −2.711 X13 )
/ X t ) = pt =
1 + e(19 .666+1.960 X1−7.373 X 2 +0.024 X 5 −29 .435 X 8 +3.395 X 9 −2.711 X13 )
của DN đối với ngân hàng.
- Nợ phải trả trên vốn chủ
sở hữu (X9) có ý nghĩa ở mức
thống kê 5%. Hệ số hồi quy
B(5) = 3,395 cho thấy chỉ tiêu
nợ phải trả/VCSH tác động
thuận chiều đến xác suất có nợ
xấu của DN. Kết quả này phù
hợp với thực tế vì chỉ tiêu nợ
phải trả/VCSH cho biết mức
độ sử dụng nợ của DN và qua
đó đo lường được khả năng tự
chủ tài chính của DN. Nếu DN
có nợ phải trả/VCSH càng lớn
(lớn hơn 1) thì DN đã quá lệ
thuộc vào vốn vay, ngân hàng
có thể sẽ phải đối mặt với rủi
ro mất vốn lớn khi DN gặp khó
khăn về tài chính.
- Hệ số khả năng trả lãi vay
(X13) có ý nghĩa ở mức thống
kê 5%. Hệ số hồi quy B(6) =
-2,711 cho thấy hệ số khả năng
trả lãi vay có tác động ngược
chiều tới xác suất có nợ xấu của
DN. Kết quả này cũng phù hợp
với lý thuyết vì hệ số khả năng
trả lãi vay cho biết hiệu quả
sử dụng đòn cân nợ của DN.
Trong trường hợp DN vay nợ
nhiều nhưng kinh doanh không
tốt, mức sinh lời của đồng vốn
quá thấp hoặc bị thua lỗ thì khó
có thể đảm bảo thanh toán tiền
lãi vay đúng hạn, do đó chỉ số
này càng thấp thì khả năng DN
có nợ xấu sẽ càng cao.
Từ kết quả hồi quy, mô hình
logit ước lượng xác suất có nợ
xấu của các DN thuộc lĩnh vực
nông, lâm và ngư nghiệp có thể
viết dưới dạng như sau:
Mô hình cho thấy các biến nợ
phải trả/tổng tài sản (X8), khả
năng thanh toán ngắn hạn (X2)
và nợ phải trả/VCSH (X9) là
những biến tác động mạnh nhất
đến xác suất có nợ xấu của DN.
Việc điều chỉnh các biến này
theo hướng phù hợp sẽ giúp
DN giảm xác suất vỡ nợ, từ đó
nâng cao khả năng tiếp cận vốn
ngân hàng của DN.
5. Đề xuất và kiến nghị
5.1. Đề xuất đối với ngân
hàng
Ngân hàng có thể ứng dụng
mô hình Logit để hỗ trợ cho
công tác xếp hạng tín nhiệm
DN tại ngân hàng vì so với
phương pháp chấm điểm tín
dụng, mô hình Logit cho phép
ngân hàng có thể dự báo nhanh
nhất xác suất có nợ xấu của
DN dựa trên những thông tin
có được về tình hình tài chính
của DN. Nếu ngân hàng xếp
hạng khách hàng DN thành 10
hạng theo mức độ rủi ro từ thấp
đến cao là: AAA, AA, A, BBB,
BB, B, CCC, CC, C, D thì có
thể đưa ra mối quan hệ giữa hai
cách xếp hạng như Bảng 3.
49
 Bảng 3. Mô tả hạng khách hàng doanh nghiệp dựa của DN một cách chặt chẽ để
trên xác suất có nợ xấu đảm bảo tính minh bạch và độ
Hạng của Xác suất có tin cậy cho nguồn dữ liệu đầu
STT Mức độ rủi ro
khách hàng nợ xấu
vào. Việc sử dụng các thông tin
1 AAA 0 → 0,05 Rủi ro ở mức thấp nhất sai sẽ dẫn đến những đánh giá
2 AA 0,05 → 0,15 Rủi ro ở mức tương đối thấp không đúng về khả năng trả nợ
3 A 0,15 → 0,25 Rủi ro ở mức tương đối thấp của DN và có thể gây ra rủi ro
4 BBB 0,25 → 0,35 Rủi ro ở mức thấp lớn cho ngân hàng. Cơ sở dữ
5 BB 0,35 → 0,45 Rủi ro ở mức thấp liệu sẵn có của ngân hàng, các
6 B 0,45 → 0,55 Rủi ro ở mức trung bình thông tin thu thập được, trình
7 CCC 0,55 → 0,65 Rủi ro ở mức trung bình độ chuyên môn và đạo đức
8 CC 0,65 → 0,75 Rủi ro cao nghề nghiệp của cán bộ tín
9 C 0,75 → 0,85 Rủi ro rất cao
dụng ngân hàng trong trường
10 D 0,85 → 1 Đặc biệt rủi ro
hợp này là điều kiện cần để
ngân hàng có thể ứng dụng mô
Từ kết quả xếp hạng, ngân thể được xác định theo ma trận hình định lượng trong việc hỗ
hàng có thể đưa ra quyết định hai chiều giữa mức xếp hạng trợ cho các quyết định tín dụng
cấp tín dụng (xác định hạn mức tín dụng và tình hình trả nợ của hoặc thực hiện phân loại nợ.
tín dụng, thời hạn, mức lãi suất, DN như Bảng 4. 5.2. Kiến nghị đối với các cơ
biện pháp bảo đảm tiền vay, phê Mặc dù mô hình định lượng quan chức năng
duyệt hay không phê duyệt…) có tính khách quan cao hơn so - Bộ Tài chính cần tiếp tục
hoặc thực hiện phân loại nợ. với phương pháp chấm điểm hoàn thiện các quy định và
Nếu phân loại nợ, ngân hàng tín dụng trong việc phân tích, chuẩn mực kế toán của Việt
cần đánh giá tình hình trả nợ đánh giá khả năng trả nợ của Nam theo các tiêu chuẩn quốc
của DN theo ba mức tốt (luôn DN nhưng do các chỉ tiêu tài tế, đồng thời phải thực hiện
đúng hạn, hoặc khách hàng chính sử dụng trong mô hình kiểm tra, giám sát chặt chẽ việc
mới), trung bình (đã có nợ quá đóng vai trò tiên quyết quyết lập và nộp báo cáo tài chính
hạn trong quá khứ nhưng hiện định hiệu quả của việc sử dụng DN theo đúng quy định để đảm
tại không còn nợ quá hạn) và mô hình nên khi áp dụng mô bảo thông tin tài chính chính
xấu (đang có nợ quá hạn). Khi hình, ngân hàng cần kiểm tra, xác. Hiện nay, mặc dù Bộ Tài
đó, chất lượng của khoản nợ có đánh giá báo cáo tài chính chính đã có chương trình đánh
giá, thống kê hoặc
Bảng 4. Ma trận xếp loại khoản vay của doanh nghiệp kiểm toán các DN
Tình hình
nhưng kết quả và số
trả nợ Tốt Trung bình Xấu liệu vẫn không được
Mức XHTD công khai. Bộ Tài
AAA chính cần có cơ chế
AA Nợ đủ tiêu chuẩn Nợ cần chú ý Nợ dưới tiêu chuẩn chia sẻ thông tin để
A các ngân hàng có thể
BBB Nợ cần chú ý Nợ dưới tiêu chuẩn Nợ dưới tiêu chuẩn khai thác dữ liệu về
BB các DN.
Nợ cần chú ý Nợ dưới tiêu chuẩn Nợ nghi ngờ
B - Cơ quan thuế cần
CCC Nợ dưới tiêu chuẩn Nợ nghi ngờ Nợ có khả năng mất vốn có sự phối hợp chặt
CC chẽ với ngân hàng
Nợ có khả năng trong việc thẩm định
C Nợ nghi ngờ Nợ có khả năng mất vốn
mất vốn
D báo cáo tài chính của

50 SOÁ 155 - THAÙNG 4.2015

 DN để tránh tình trạng các DN chung. Điều này không những với các doanh nghiệp Việt Nam trong
báo cáo thuế thì lỗ nhưng báo tạo thuận lợi cho ngân hàng nền kinh tế chuyển đổi, Luận án Tiến
cáo vay vốn ngân hàng thì lãi. trong việc đánh giá khả năng sỹ, TP HCM.
Đồng thời cũng cần có sự hỗ trả nợ của khách hàng mà còn 5. Nguyễn Thị Thanh Huyền
trợ tích cực cho các ngân hàng tạo thuận lợi cho DN trong (2011), “Quản lý rủi ro tín dụng
trong việc xác định các DN phân tích tài chính để cải thiện doanh nghiệp theo mức độ rủi ro
chậm nộp thuế theo quy định. hiệu quả quản lý của DN mình. khách hàng- Kinh nghiệm quốc tế”,
- Trung tâm thông tin tín dụng ■ Tạp chí Ngân hàng, (Số 7), tr. 60- 67.
(CIC) của Ngân hàng Nhà nước 6. Nguyễn Văn Hương (2013),
cần nâng cao hơn nữa việc thu TÀI LIỆU THAM KHẢO “Nguyên nhân nợ xấu dưới góc
thập thông tin và đánh giá xếp 1. Đào Thị Thanh Bình (2013), nhìn từ báo cáo tài chính của doanh
hạng khách hàng của mình. “Mô hình xếp hạng tín dụng cho các nghiệp”, www.ntu.edu.vn/khoakttc/
Đồng thời từ các thông tin thu công ty sản xuất ở Việt Nam”, Tạp Nghiêncứukhoahọc/HTKH613.aspx
thập được về DN của cả nước, chí Kinh tế và Phát triển, (Số 188), 7. Nguyễn Minh Kiều (2012),
CIC nên triển khai xây dựng cơ tr 39- 49. Nghiệp vụ ngân hàng thương mại,
sở dữ liệu về các DN và cho 2. Nguyễn Quang Dong (2007), NXB Lao động xã hội.
phép các NHTM truy cập cơ Kinh Tế Lượng Chương Trình Nâng 8. Nguyễn Thùy Linh (2013), Hoàn
sở dữ liệu này, từ đó giúp các Cao, NXB Khoa Học và Kỹ Thuật. thiện công tác xếp hạng tín dụng
ngân hàng có thêm thông tin 3. Bùi Phúc Trung (2011), “Ứng doanh nghiệp tại Ngân hàng TMCP
đầy đủ hơn về DN vay vốn. dụng phương pháp thống kê xây dựng Ngoại thương Việt Nam, Luận văn
- Tổng cục Thống kê cần thực mô hình xếp hạng tín dụng cho doanh thạc sỹ kinh tế, Đại học KTQD.
hiện các nghiên cứu và đưa nghiệp niêm yết trên thị trường chứng 9. Ngân hàng TMCP Ngoại thương
ra hệ thống chỉ số trung bình khoán Việt Nam”, Tạp chí Phát triển Việt Nam (2009), Sổ tay hướng dẫn
ngành có độ tin cậy cao, đồng kinh tế, (Số 245), tr. 43-51. chấm điểm hệ thống xếp hạng tín
thời phải liên tục cập nhật các 4. Nguyễn Trọng Hòa (2010), Xây dụng nội bộ khách hàng doanh
chỉ tiêu theo tình hình kinh tế dựng mô hình xếp hạng tín dụng đối nghiệp.
SUMMARY
The assessment of company solvency using a Logit model
In the trend of increasingly fierce competition of the banking sector and the increase of the Government to
control the risk management- especially after the outbreak of bad debt, commercial banks of Vietnam were
very interested in the construction and development of the system of internal credit rating to control credit
risk effectively, minimize bad debt and increase profit. However, although the system of internal credit ratings
of the banks have increasingly been completed, the outbreak of bad debts in recent years has unveiled the
shortcomings and inadequacies of the rating system. Therefore, the establishment of a quantitative model to
measure and predict the probability of the enterprise is a pressing requirement.
This paper proposes the application of Logit model in the analysis of financial criteria to assess the ability
to settle the debts of the company mainly to support the banks in the credit rating, making a lending decision
or debt classification. On the other hand, Logit model is proposed to help businesses have better access to
financial resources basing on credit information available and reliable.

THÔNG TIN TÁC GIẢ

Phi Hồng Hạnh, Thạc sĩ
Đơn vị công tác: Đại học Tài chính Quản trị kinh doanh
Lĩnh vực nghiên cứu chính: Quản trị ngân hàng thương mại
Tạp chí tiêu biểu đã có bài viết đăng tải: Tạp chí Kinh tế và dự báo, Tạp chí Công thương
Email: phihonghanh85@gmail.com

THAÙNG 4.2015 - SOÁ 155 51