Luận văn Thạc sĩ: Giải pháp hạn chế rủi ro tín dụng tại Ngân hàng thương mại cổ phần Công Thương Việt Nam - Chi nhánh Bến Lức

301
690
87
10
Th hai, khách hàng c tình s dng vn sai mục đích. Khi cho vay các ngân
hàng luôn k vng khách hàng s thc hin tốt phương án đầu tư như đã trình bày
với ngân hàng để hoàn tr đầy đ đúng hạn gốc và lãi vay. Nhưng do thông tin
bt cân xng sau khi quan h tín dng din ra có th to nên ri ro v đạo đức t
phía khách hàng, tc là khách hàng c tình s dng vn sai mục đích đi vay. Vì sau
khi được cp tín dụng người đi vay luôn xu hướng thc hin các d án có mc
độ rủi ro cao hơn so với mc rủi ro mà ngân hàng mong đợi. Bi vì d án có ri ro
cao hơn được k vng là mang li li nhuận cao hơn và nếu thành công thì ch đầu
sẽ được hưởng khon li nhuận cao hơn trong khi chỉ phi tr cho ngân hàng
khoản lãi vay đã xác định trước.
Th ba, khách hàng không trung thc, c ý la đảo Ngân hàng để chiếm đot
tài sn: Đây là trường hp ti t nht trong các nguyên nhân ch quan dẫn đến ri ro
tín dng ca Ngân hàng. Nó biu hiện là hành động có ch ý của người vay, được
tính toán chun b trước nhm mục đích chiếm đot tin va y ca Ngân hàng. H tìm
cách làm gi mo giy t, ch ký, con du, hoặc điều chnh các báo cáo tài chính,
hay làm các hóa đơn, chứng t mua bán khống…để vay được vn ca Ngân hàng
sau đó sử dng tiền vay không đúng mục đích, không trả n. Hoc khách hàng c
tình cung cp thông tin sai lch v hoạt động sn xut kinh doanh, báo cáo tài chính,
hợp đồng kinh tế, phương án sử dng tin vay, giy t pháp lý v tài sn...Ví d
khách hàng đem tài sản thế chp, cm c đi nhượng bán trong khi vẫn còn dư nợ ti
ngân hàng. Trường hp này không nhiu, tuy nhiên, khi v vic phát sinh li nh
hưởng hết sc nng n, Ngân hàng khó lòng thu hồi được nợ, có nguy cơ bị mt vn
hoàn toàn hoc ch thu hồi được mt phần, làm liên quan đến uy tín ca cán b, làm
ảnh hưởng xấu đến các doanh nghip khác. Chính vì vy, công tác phân tích khách
hàng là vô cùng quan trng. Nếu cán b tín dng ca ngân hàng làm tốt được vic
này s gim thiu RRT D.
1.1.3. S cn thiết phi hn chế ri ro tín dng ti các ngân hàng thương mại.
Các NHTM bắt buộc phải hạn chế RRTD đến mức thấp nhất, bởi vì, nếu
RRTD xảy ra sẽ gây nên những tác động rất lớn đến chính bản thân NHTM cũng
như đến nền kinh tế xã hội.
Đối với ngân hàng.
10 Thứ hai, khách hàng cố tình sử dụng vốn sai mục đích. Khi cho vay các ngân hàng luôn kỳ vọng khách hàng sẽ thực hiện tốt phương án đầu tư như đã trình bày với ngân hàng để hoàn trả đầy đủ và đúng hạn gốc và lãi vay. Nhưng do thông tin bất cân xứng sau khi quan hệ tín dụng diễn ra có thể tạo nên rủi ro về đạo đức từ phía khách hàng, tức là khách hàng cố tình sử dụng vốn sai mục đích đi vay. Vì sau khi được cấp tín dụng người đi vay luôn có xu hướng thực hiện các dự án có mức độ rủi ro cao hơn so với mức rủi ro mà ngân hàng mong đợi. Bởi vì dự án có rủi ro cao hơn được kỳ vọng là mang lại lợi nhuận cao hơn và nếu thành công thì chủ đầu tư sẽ được hưởng khoản lợi nhuận cao hơn trong khi chỉ phải trả cho ngân hàng khoản lãi vay đã xác định trước. Thứ ba, khách hàng không trung thực, cố ý lừa đảo Ngân hàng để chiếm đoạt tài sản: Đây là trường hợp tồi tệ nhất trong các nguyên nhân chủ quan dẫn đến rủi ro tín dụng của Ngân hàng. Nó biểu hiện là hành động có chủ ý của người vay, được tính toán chuẩn bị trước nhằm mục đích chiếm đoạt tiền va y của Ngân hàng. H ọ tìm cách làm giả mạo giấy tờ, chữ ký, con dấu, hoặc điều chỉnh các báo cáo tài chính, hay làm các hóa đơn, chứng từ mua bán khống…để vay được vốn của Ngân hàng sau đó sử dụng tiền vay không đúng mục đích, không trả nợ. Hoặc khách hàng cố tình cung cấp thông tin sai lệch về hoạt động sản xuất kinh doanh, báo cáo tài chính, hợp đồng kinh tế, phương án sử dụng tiền vay, giấy tờ pháp lý về tài sản...Ví dụ khách hàng đem tài sản thế chấp, cầm cố đi nhượng bán trong khi vẫn còn dư nợ tại ngân hàng. Trường hợp này không nhiều, tuy nhiên, khi vụ việc phát sinh lại ảnh hưởng hết sức nặng nề, Ngân hàng khó lòng thu hồi được nợ, có nguy cơ bị mất vốn hoàn toàn hoặc chỉ thu hồi được một phần, làm liên quan đến uy tín của cán bộ, làm ảnh hưởng xấu đến các doanh nghiệp khác. Chính vì vậy, công tác phân tích khách hàng là vô cùng quan trọng. Nếu cán bộ tín dụng của ngân hàng làm tốt được việc này sẽ giảm thiểu RRT D. 1.1.3. Sự cần thiết phải hạn chế rủi ro tín dụng tại các ngân hàng thương mại. Các NHTM bắt buộc phải hạn chế RRTD đến mức thấp nhất, bởi vì, nếu RRTD xảy ra sẽ gây nên những tác động rất lớn đến chính bản thân NHTM cũng như đến nền kinh tế xã hội.  Đối với ngân hàng.
11
Khi gặp rủi ro tín dụng, ngân hàng không thu được vốn tín dụng đã cấp
lãi cho vay, nhưng vẫn phải chi trả lãi gốc tiền gửi khi đến hạn, dẫn đến ngân
hàng mất cân đối trong việc thu chi, vòng quay vốn tín dụng giảm nên kinh doanh
không hiệu quả. Thậm chí dẫn đến tình trạng mất khả năng thanh khoản, làm mất
lòng tin người gửi tiền, ảnh hưởng đến uy tín của ngân hàng.
Nếu một khoản vay nào đó bị mất khả năng thu hồi, thì ngân hàng phải sử
dụng các nguồn vốn để trả cho khách hàng gửi tiền, đến một chừng mực nào đó,
ngân hàng không có đủ nguồn vốn để trả cho khách hàng gửi tiền thì sẽ rơi vào tình
trạng mất khả năng thanh toán, dẫn đến nguy gặp rủi ro thanh khoản. Kết quả
làm thu hẹp qui kinh doanh, năng lực tài chính giảm sút, uy tín, sức cạnh tranh
giảm không những trong thị trường nội địa mà còn lan rộng ra các nước, kết quả
kinh doanh ngày càng xấu, có thể dẫn tới thua lỗ và phá sản nếu không có biện pháp
xử lý, khắc phục kịp thời.
Đối với nền kinh tế xã hội.
Khi một ngân hàng gặp RRTD với mức độ lớn, sẽ làm khách hàng gửi tiền
hoang mang, lo sợ và kéo nhau đến rút tiền, không những ở ngân hàng có sự cố
ở những ngân hàng khác, làm cho toàn bộ hệ thống ngân hàng gặp phải khó khăn.
Khủng hoảng thanh khoản xảy ra và ảnh hưởng rất nghiêm trọng đến sự tồn tại
phát triển của hệ thống ngân hàng. Hệ thống ngân hàng bị ảnh hưởng, hoạt động
không hữu hiệu sẽ ảnhởng đến toàn bộ nền kinh tế - hội. RRTD thể làm
cho nền kinh tế bị suy giảm, lạm phát tăng, sức mua giảm, thất nghiệp tăng, xã hội
mất ổn định.
Như vậy, RRTD xảy ra ở những mức độ khác nhau, ở cấp độ nhẹ cũng làm
cho ngân hàng bị giảm lợi nhuận, cấp độ nặng làm cho ngân hàng không thu đủ
vốn gốc và lãi, hoặc bị mất cả vốn gốc lẫn lãi, dẫn đến bị thua lỗ. Nếu tình trạng này
kéo dài không khắc phục được, ngân hàng sẽ bị phá sản, gây hậu quả nghiêm
trọng cho nền kinh tế nói chung và hệ thống ngân hàng nói riêng. Chính vì vậy đòi
hỏi các nhà quản lý ngân hàng phải hết sức thận trọng và có những biện pháp thích
hợp để ngăn ngừa và hạn chế RRTD.
11 Khi gặp rủi ro tín dụng, ngân hàng không thu được vốn tín dụng đã cấp và lãi cho vay, nhưng vẫn phải chi trả lãi và gốc tiền gửi khi đến hạn, dẫn đến ngân hàng mất cân đối trong việc thu chi, vòng quay vốn tín dụng giảm nên kinh doanh không hiệu quả. Thậm chí dẫn đến tình trạng mất khả năng thanh khoản, làm mất lòng tin người gửi tiền, ảnh hưởng đến uy tín của ngân hàng. Nếu một khoản vay nào đó bị mất khả năng thu hồi, thì ngân hàng phải sử dụng các nguồn vốn để trả cho khách hàng gửi tiền, đến một chừng mực nào đó, ngân hàng không có đủ nguồn vốn để trả cho khách hàng gửi tiền thì sẽ rơi vào tình trạng mất khả năng thanh toán, dẫn đến nguy cơ gặp rủi ro thanh khoản. Kết quả làm thu hẹp qui mô kinh doanh, năng lực tài chính giảm sút, uy tín, sức cạnh tranh giảm không những trong thị trường nội địa mà còn lan rộng ra các nước, kết quả kinh doanh ngày càng xấu, có thể dẫn tới thua lỗ và phá sản nếu không có biện pháp xử lý, khắc phục kịp thời.  Đối với nền kinh tế xã hội. Khi một ngân hàng gặp RRTD với mức độ lớn, sẽ làm khách hàng gửi tiền hoang mang, lo sợ và kéo nhau đến rút tiền, không những ở ngân hàng có sự cố mà ở những ngân hàng khác, làm cho toàn bộ hệ thống ngân hàng gặp phải khó khăn. Khủng hoảng thanh khoản xảy ra và ảnh hưởng rất nghiêm trọng đến sự tồn tại và phát triển của hệ thống ngân hàng. Hệ thống ngân hàng bị ảnh hưởng, hoạt động không hữu hiệu sẽ ảnh hưởng đến toàn bộ nền kinh tế - xã hội. RRTD có thể làm cho nền kinh tế bị suy giảm, lạm phát tăng, sức mua giảm, thất nghiệp tăng, xã hội mất ổn định. Như vậy, RRTD xảy ra ở những mức độ khác nhau, ở cấp độ nhẹ cũng làm cho ngân hàng bị giảm lợi nhuận, ở cấp độ nặng làm cho ngân hàng không thu đủ vốn gốc và lãi, hoặc bị mất cả vốn gốc lẫn lãi, dẫn đến bị thua lỗ. Nếu tình trạng này kéo dài và không khắc phục được, ngân hàng sẽ bị phá sản, gây hậu quả nghiêm trọng cho nền kinh tế nói chung và hệ thống ngân hàng nói riêng. Chính vì vậy đòi hỏi các nhà quản lý ngân hàng phải hết sức thận trọng và có những biện pháp thích hợp để ngăn ngừa và hạn chế RRTD.
12
1.2. Đo lường ri ro tín dng ti ngân hàng thương mại.
Đo lường rủi ro trong hoạt động tín dụng là việc tính toán ra con số cụ thể về
mức độ rủi ro ngân hàng đang đối mặt những tổn thất mà gây ra. rất
nhiều phương pháp để đo lường rủi ro tín dụng, một số phương pháp tiêu biểu gồm:
Phương pháp đo lường rủi ro tín dụng dựa trên mức dự phòng (Bangladesh
Bank, 2010). Phương pháp này được thực hiện thông qua đánh giá ảnh hưởng của
sự gia tăng nợ xấu (NPL) của ngân hàng/tổ chức tài chính và từ đó làm gia tăng các
khoản dự phòng tương ứng.
Tăng tỷ lệ nợ xấu theo một tỷ lệ giả định (%) và theo đó là tăng trích lập dự
phòng rủi ro tương ứng. Phần nợ xấu tăng thêm này được giả định sẽ chuyển thẳng
sang nhóm nợ có khả năng mất vốn (nhóm 5), phải trích lập dự phòng 100%.
Chuyển nhóm phân loại nợ xấu theo tỷ lệ giả định và hệ quả là tăng trích lập
dự phòng rủi ro. Các phần nợ chuyển nhóm phải tăng trích lập dự phòng rủi ro theo
tỷ lệ tương ứng. Chẳng hạn, 50% nợ cần chú ý được chuyển thành nợ dưới tiêu
chuẩn, 50% nợ dưới tiêu chuẩn được chuyển thành nợ nghi ngờ 50% nợ nghi
ngờ chuyển thành nợ khả năng mất vốn, khi đó các ngân hàng thương mại phải
gia tăng việc trích lập dự phòng đối với các khoản nợ chuyển nhóm này theo tỷ lệ
trích lập tương ứng với nhóm nợ mới.
Phương pháp ước tính tổn thất tín dụng dựa trên hệ thống cơ sở dữ liệu đánh
giá nội bộ - IRB (Basel II): các ngân hàng sẽ sử dụng các mô hình dựa trên hệ thống
dữ liệu nội bộ để xác định tổn thất tín dụng. Các ngân hàng sẽ xác định các biến số
như xác suất khách hàng không trả được nợ (PD), tỷ trọng tổn thất ước tính (LGD),
tổng nợ của khách hàng tại thời điểm khách hàng không trả được nợ (EAD).
Thông qua các biến số trên, ngân hàng sẽ xác định được tổn thất kỳ vọng (EL) dựa
trên công thức sau:
EL = PD x EAD x LGD
Do khó khăn trong việc thu thập dữ liệu nên rủi ro tín dụng trong nghiên cứu
này được tác giả tính toán theo phương pháp đo lường rủi ro tín dụng dựa trên mức
dự phòng. Như vậy, tỷ lệ nợ xấu trên tổng dư nợ sẽ được tác giả sử dụng để đại diện
cho rủi ro tín dụng
12 1.2. Đo lường rủi ro tín dụng tại ngân hàng thương mại. Đo lường rủi ro trong hoạt động tín dụng là việc tính toán ra con số cụ thể về mức độ rủi ro mà ngân hàng đang đối mặt và những tổn thất mà nó gây ra. Có rất nhiều phương pháp để đo lường rủi ro tín dụng, một số phương pháp tiêu biểu gồm: Phương pháp đo lường rủi ro tín dụng dựa trên mức dự phòng (Bangladesh Bank, 2010). Phương pháp này được thực hiện thông qua đánh giá ảnh hưởng của sự gia tăng nợ xấu (NPL) của ngân hàng/tổ chức tài chính và từ đó làm gia tăng các khoản dự phòng tương ứng. Tăng tỷ lệ nợ xấu theo một tỷ lệ giả định (%) và theo đó là tăng trích lập dự phòng rủi ro tương ứng. Phần nợ xấu tăng thêm này được giả định sẽ chuyển thẳng sang nhóm nợ có khả năng mất vốn (nhóm 5), phải trích lập dự phòng 100%. Chuyển nhóm phân loại nợ xấu theo tỷ lệ giả định và hệ quả là tăng trích lập dự phòng rủi ro. Các phần nợ chuyển nhóm phải tăng trích lập dự phòng rủi ro theo tỷ lệ tương ứng. Chẳng hạn, 50% nợ cần chú ý được chuyển thành nợ dưới tiêu chuẩn, 50% nợ dưới tiêu chuẩn được chuyển thành nợ nghi ngờ và 50% nợ nghi ngờ chuyển thành nợ có khả năng mất vốn, khi đó các ngân hàng thương mại phải gia tăng việc trích lập dự phòng đối với các khoản nợ chuyển nhóm này theo tỷ lệ trích lập tương ứng với nhóm nợ mới. Phương pháp ước tính tổn thất tín dụng dựa trên hệ thống cơ sở dữ liệu đánh giá nội bộ - IRB (Basel II): các ngân hàng sẽ sử dụng các mô hình dựa trên hệ thống dữ liệu nội bộ để xác định tổn thất tín dụng. Các ngân hàng sẽ xác định các biến số như xác suất khách hàng không trả được nợ (PD), tỷ trọng tổn thất ước tính (LGD), tổng dư nợ của khách hàng tại thời điểm khách hàng không trả được nợ (EAD). Thông qua các biến số trên, ngân hàng sẽ xác định được tổn thất kỳ vọng (EL) dựa trên công thức sau: EL = PD x EAD x LGD Do khó khăn trong việc thu thập dữ liệu nên rủi ro tín dụng trong nghiên cứu này được tác giả tính toán theo phương pháp đo lường rủi ro tín dụng dựa trên mức dự phòng. Như vậy, tỷ lệ nợ xấu trên tổng dư nợ sẽ được tác giả sử dụng để đại diện cho rủi ro tín dụng
13
1.3. Mô hình đánh giá ri ro tín dng t phía khách hàng:
1.3.1. Mô hình ch s Z (Z Credit scoring Model).
Do đặc thù hoạt động trong lĩnh vực rủi ro cao, các ngân hàng thường đặt
vấn đề kim soát ri ro tr ong hot đng cho vay lên hàng đầu. Để nhn biết tình
hình tài chính mt khách hàng là tt hay xu, t đó dẫn đến nhng khon va y ca
khách hàng được hoàn tr đầy đ đúng hạn hay không, các ngân hàng
thường s dng nhiều phương pháp và kỹ thuật khác nhau để kim tra và theo dõi
thường k. Mt trong những tiêu chí để ngân hàng nhn biết sc khe tài chính
khách hàng đó là du hiệu báo trước s phá sn. Hoạt động ca khách hàng được
xem như chấm hết k hi phá sn, dn đến toà n b nhng khon v ay ca kh ách hàng
này s là khon n khó đòi đối với các ngân hàng. Do đó tìm ra công cụ nhn biết
du hiu phá sản đưc nhiu ngân hàng và nhà nghiên cu tài chính khách hàng
quan tâm.
Trong những năm 1946-1965, Mô hìn h ch s Z đã được giáo sư Redward I.
Altman, trường kinh doanh L eonard N. Stern, thuộc trường Đi hc New York,
phát minh thông qua vic phân t ích mt s ng ln các cô ng ty ti M. Đây
công c nhm phát hin nguy cơ phá sn ca các công ty, đưc phát mi nh ti M
nhưng hầu hết vẫn được các nưc áp dng với độ tin cy khá cao. Các ngân hàng
áp dng mô hình ch s Z để phân l oi r i ro tí n dụng và cho đim tín dụng đối vi
các khách hàng vay v n. Mô hình ch s Z bao gm 5 ch s tài chính vi các tr s
th hin tm quan trng ca các ch s này trong vic xác định xác sut v n ca
người vay, phân loi theo tng loi hình và ngành khách hàng:
X
1
= T s Vốn lưu đng trên Tng tà i sn (Working Capitals/Total Assets)
X
2
= T s Li nhun gi li trên Tng tài sn (Retain Earnings/Total
Assets)
X
3
= T s Li nhuận trước thuế và lãi vay trên Tng tài sn (EBIT/Tota l
Assets)
X
4
= T s Giá tr th trưng ca Vn ch s hu trên Giá tr s sách ca
Tng n (Market Va lu e of Tot al Eq ui ty/Book Values of Tota l Li ab il it ie s)
X
5
= T s Doanh s/Tn g Tà i sn (Sales/Total Assets)
Ch s Z càng cao thì xác sut v n càng thp. Khi ch s thp hoc là s
13 1.3. Mô hình đánh giá rủi ro tín dụng từ phía khách hàng: 1.3.1. Mô hình chỉ số Z (Z Credit scoring Model). Do đặc thù hoạt động trong lĩnh vực rủi ro cao, các ngân hàng thường đặt vấn đề kiểm soát rủi ro tr ong hoạt động cho vay lên hàng đầu. Để nhận biết tình hình tài chính một khách hàng là tốt hay xấu, từ đó dẫn đến những khoản va y của khách hàng được hoàn trả có đầy đủ và đúng hạn hay không, các ngân hàng thường sử dụng nhiều phương pháp và kỹ thuật khác nhau để kiểm tra và theo dõi thường kỳ. Một trong những tiêu chí để ngân hàng nhận biết sức khỏe tài chính khách hàng đó là dấu hiệu báo trước sự phá sản. Hoạt động của khách hàng được xem như chấm hết k hi phá sản, dẫn đến toà n bộ những khoản v ay của kh ách hàng này sẽ là khoản nợ khó đòi đối với các ngân hàng. Do đó tìm ra công cụ nhận biết dầu hiệu phá sản được nhiều ngân hàng và nhà nghiên cứu tài chính khách hàng quan tâm. Trong những năm 1946-1965, Mô hìn h chỉ số Z đã được giáo sư Redward I. Altman, trường kinh doanh L eonard N. Stern, thuộc trường Đại học New York, phát minh thông qua việc phân t ích một số lượng lớn các cô ng ty tại Mỹ. Đây là công cụ nhằm phát hiện nguy cơ phá sản của các công ty, được phát mi nh tại Mỹ nhưng hầu hết vẫn được các nước áp dụng với độ tin cậy khá cao. Các ngân hàng áp dụng mô hình chỉ số Z để phân l oại r ủi ro tí n dụng và cho điểm tín dụng đối với các khách hàng vay v ốn. Mô hình chỉ số Z bao gồm 5 chỉ số tài chính với các trị số thể hiện tầm quan trọng của các chỉ số này trong việc xác định xác suất vỡ nợ của người vay, phân loại theo từng loại hình và ngành khách hàng: X 1 = Tỷ số Vốn lưu động trên Tổng tà i sản (Working Capitals/Total Assets) X 2 = Tỷ số Lợi nhuận giữ lại trên Tổng tài sản (Retain Earnings/Total Assets) X 3 = Tỷ số Lợi nhuận trước thuế và lãi vay trên Tổng tài sản (EBIT/Tota l Assets) X 4 = Tỷ số Giá trị thị trường của Vốn chủ sở hữu trên Giá trị sổ sách của Tổng nợ (Market Va lu e of Tot al Eq ui ty/Book Values of Tota l Li ab il it ie s) X 5 = Tỷ số Doanh số/Tổn g Tà i sản (Sales/Total Assets) Chỉ số Z càng cao thì xác suất vỡ nợ càng thấp. Khi chỉ số thấp hoặc là số
14
âm s là căn c xếp khách hàng vào nhóm có nguy cơ vỡ n cao. Ngoài ra, Altman
còn phát trin ch s Z’điều chỉnh để phù hp vi các nhóm khách hàng khác
nhau. Đến nay, ch s này đang đưc s dng rng rãi trong xếp hng kh ác h hà n g.
Bng 1.1: So sánh ch s Z’’ điều chnh vi xếp hng tín nhim ca Standard &
Poor
Chỉ tiêu
Z'' điều chnh
Định mc tín nhim
ca Standard&Poor
Khách hàng
n
m trong vùng
an toàn, chưa nguy phá
s
n
>8,15
AAA
7,60-8,15
AA+
7,30-7,60
AA
7,00-7,30
AA
-
6,85-7,00
A+
6,65-6,85
A
6,4-6,65
A
-
6,25-6,4
BBB+
5,85-6,25
BBB
Khách hàng
n
m trong vùng
c
nh báo, có th nguy
phá s
n
5,65-5,85
BBB
-
5,25-5,65
BB+
4,95-5,25
BB
4,75-4,95
BB
-
4,5-4,75
B+
4,15-4,5
B
Khách hàng
n
m trong vùng
nguy hi
m, nguy cơ phá s
n
cao.
3,75-4,15
B
-
3,20-3,75
CCC+
2,50-3,20
CCC
1,75-2,50
CCC
-
0-1,75
D
Ngun: Altman, 2003. The Use of Credit Scoring Models and the Importance of a
Credit Culture, New York University
Ưu đim:
Mô hình Z score được s dụng đơn giản, nhanh chóng. Ti ngân hàng, Cán
b chấm điểm có th s dụng excel để tính toán nhanh chóng ch s Z, t đó dự báo
được nguy cơ phá sản ca khách hàng
Nhưc đim:
Mô hình Z score được nghiên cu da trên tình hình ca các khách hàng
14 âm sẽ là căn cứ xếp khách hàng vào nhóm có nguy cơ vỡ nợ cao. Ngoài ra, Altman còn phát triển chỉ số Z’’ điều chỉnh để phù hợp với các nhóm khách hàng khác nhau. Đến nay, chỉ số này đang được sử dụng rộng rãi trong xếp hạng kh ác h hà n g. Bảng 1.1: So sánh chỉ số Z’’ điều chỉnh với xếp hạng tín nhiệm của Standard & Poor Chỉ tiêu Z'' điều chỉnh Định mức tín nhiệm của Standard&Poor Khách hàng nằ m trong vùng an toàn, chưa có nguy cơ phá s ản >8,15 AAA 7,60-8,15 AA+ 7,30-7,60 AA 7,00-7,30 AA - 6,85-7,00 A+ 6,65-6,85 A 6,4-6,65 A - 6,25-6,4 BBB+ 5,85-6,25 BBB Khách hàng nằ m trong vùng c ảnh báo, có thể có nguy cơ phá s ản 5,65-5,85 BBB - 5,25-5,65 BB+ 4,95-5,25 BB 4,75-4,95 BB - 4,5-4,75 B+ 4,15-4,5 B Khách hàng nằ m trong vùng nguy hi ể m, nguy cơ phá s ả n cao. 3,75-4,15 B - 3,20-3,75 CCC+ 2,50-3,20 CCC 1,75-2,50 CCC - 0-1,75 D Nguồn: Altman, 2003. The Use of Credit Scoring Models and the Importance of a Credit Culture, New York University Ưu điểm: Mô hình Z – score được sử dụng đơn giản, nhanh chóng. Tại ngân hàng, Cán bộ chấm điểm có thể sử dụng excel để tính toán nhanh chóng chỉ số Z, từ đó dự báo được nguy cơ phá sản của khách hàng Nhược điểm: Mô hình Z – score được nghiên cứu dựa trên tình hình của các khách hàng ở
15
M chưa được s dng ph biến Vit Nam trong vic xếp hng tín nhim
khách hàng. Bên cạnh đó hình không tính đến mt s nhân t khó định lượng
nhưng có thể đóng vai trò quan trọng nh hưởng đến mức độ ca các khon vay.
1.3.2. Mô hình điểm s tín dng tiêu dùng.
Trong mô hình cho điểm tín dụng tiêu dùng, các yếu tố quan trọng bao gồm:
hệ số tín dụng, tuổi đời, trạng thái tài sản, số người phụ thuộc, sở hữu nhà, thu nhập,
điện thoại cố định, số tài khoản cá nhân, thời gian công tác.
Khách hàng điểm số cao nhất theo hình với 8 mục nêu trên 43
điểm, thấp nhất 9 điểm. Giả sử ngân ng biết mức 28 điểm là ranh giới giữa
khách hàng tín dụng tốt khách hàng tín dụng xấu, từ đó ngân ng hình
thành khung chính sách tín dụng theo mô hình điểm số.
Ưu đim:
Đánh giá được tng quát các vn đ liên quan đến khách hàng để đưa ra
điểm s tín dụng đối vi từng khách hàng làm cơ sở để cp hn mc tín dụng tương
ng.
Nhưc đim:
Cán b chm đim phi thu thp nhiu thông tin v khách hàng. Nhng
thông tin này thường do khách hàng cu ng cấp nên độ tin cy không cao hoc không
có thông tin thì cán b chấm điểm da vào nhận định ch quan.
Bng 1.2. Nhng hng mục và điểm s tín dng trong tín dng tiêu dùng ti
các ngân hàng M.
STT
Các hạng mục xác định chất lượng tín dụng
Điểm
1
Nghề nghiệp của người vay
- Chuyên gia hay phụ trách kinh doanh
10
- Công nhân có kinh nghiệm
8
- Nhân viên văn phòng
7
- Sinh viên
5
- Công nhân không có kinh nghiệm
4
- Công nhân bán thất nghiệp
2
2
Trạng thái nhà ở
- Nhà riêng
6
- Nhà thuê hay căn hộ
4
- Sống cùng bạn hay người thân
2
3
Xếp hạng tín nhiệm
- Tốt
10
15 Mỹ và chưa được sử dụng phổ biến ở Việt Nam trong việc xếp hạng tín nhiệm khách hàng. Bên cạnh đó mô hình không tính đến một số nhân tố khó định lượng nhưng có thể đóng vai trò quan trọng ảnh hưởng đến mức độ của các khoản vay. 1.3.2. Mô hình điểm số tín dụng tiêu dùng. Trong mô hình cho điểm tín dụng tiêu dùng, các yếu tố quan trọng bao gồm: hệ số tín dụng, tuổi đời, trạng thái tài sản, số người phụ thuộc, sở hữu nhà, thu nhập, điện thoại cố định, số tài khoản cá nhân, thời gian công tác. Khách hàng có điểm số cao nhất theo mô hình với 8 mục nêu trên là 43 điểm, thấp nhất là 9 điểm. Giả sử ngân hàng biết mức 28 điểm là ranh giới giữa khách hàng có tín dụng tốt và khách hàng có tín dụng xấu, từ đó ngân hàng hình thành khung chính sách tín dụng theo mô hình điểm số. Ưu điểm: Đánh giá được tổng quát các vấn đề liên quan đến khách hàng để đưa ra điểm số tín dụng đối với từng khách hàng làm cơ sở để cấp hạn mức tín dụng tương ứng. Nhược điểm: Cán bộ chấm điểm phải thu thập nhiều thông tin về khách hàng. Những thông tin này thường do khách hàng cu ng cấp nên độ tin cậy không cao hoặc không có thông tin thì cán bộ chấm điểm dựa vào nhận định chủ quan. Bảng 1.2. Những hạng mục và điểm số tín dụng trong tín dụng tiêu dùng tại các ngân hàng Mỹ. STT Các hạng mục xác định chất lượng tín dụng Điểm 1 Nghề nghiệp của người vay - Chuyên gia hay phụ trách kinh doanh 10 - Công nhân có kinh nghiệm 8 - Nhân viên văn phòng 7 - Sinh viên 5 - Công nhân không có kinh nghiệm 4 - Công nhân bán thất nghiệp 2 2 Trạng thái nhà ở - Nhà riêng 6 - Nhà thuê hay căn hộ 4 - Sống cùng bạn hay người thân 2 3 Xếp hạng tín nhiệm - Tốt 10
16
- Trung bình
5
- Không có hồ sơ
2
- Tồi
0
4
Kinh nghiệm nghề nghiệp
- Nhiều hơn 1 năm
5
- Từ một năm trở xuống
2
5
Thời gian sống tại địa chỉ hiện hành
- Nhiều hơn 1 năm
2
- Từ một năm trở xuống
1
6
Điện thoại cố định
- Có
2
- Không có
0
7
Số người sống cùng (phụ thuộc)
- Không
3
- Một
3
- Hai
4
- Ba
4
- Nhiều hơn ba
2
8
Các tài khoản tại ngân hàng
- Cả tài khoản tiết kiệm và phát hành Séc
4
- Chỉ tài khoản tiết kiệm
3
- Chỉ tài khoản phát hành Séc
2
- Không có
0
Nguồn: Peter S. Rose, 2012
1.3.3. Mô hình đánh giá khả năng tn tht tín dng da trên h thng cơ
s d liệu đánh giá nội b IRB.
hình đánh giá khả năng tổn tht tí n dng ca khách hàng vay da trên
h thng s d liu n i b được đ ngh áp dng ti H iệp định v tiêu chun
vn quc tế ca y ban Basel, gi tt là Ba sel II. Hiệp định này được xây dng
vào tháng 6 năm 2004, theo đó các ngân hàng có thể s dng mô h ình da trên h
thng d liu ni b để đánh giá ri ro tín dng đi vi các khách hàng vay vn.
Theo Basel Committee on Banking Supervision (2005) vi mi k hn xác
định, tn thất ước tính v tín dụng đưc tính toán theo công thc:
EL = PD X EAD X LGD
Tn tht tín dng ph thuc vào 3 biến s: x ác sut khách hàng không tr
được n PD (Probability of Default), tổng nợ ca khách hàng ti thời điểm
khách hàng không tr được n EAD (Exposure at Defaul t) và t trng tn thất ước
tính LGD (Loss Given Def a ul t) .
16 - Trung bình 5 - Không có hồ sơ 2 - Tồi 0 4 Kinh nghiệm nghề nghiệp - Nhiều hơn 1 năm 5 - Từ một năm trở xuống 2 5 Thời gian sống tại địa chỉ hiện hành - Nhiều hơn 1 năm 2 - Từ một năm trở xuống 1 6 Điện thoại cố định - Có 2 - Không có 0 7 Số người sống cùng (phụ thuộc) - Không 3 - Một 3 - Hai 4 - Ba 4 - Nhiều hơn ba 2 8 Các tài khoản tại ngân hàng - Cả tài khoản tiết kiệm và phát hành Séc 4 - Chỉ tài khoản tiết kiệm 3 - Chỉ tài khoản phát hành Séc 2 - Không có 0 Nguồn: Peter S. Rose, 2012 1.3.3. Mô hình đánh giá khả năng tổn thất tín dụng dựa trên hệ thống cơ sở dữ liệu đánh giá nội bộ IRB. Mô hình đánh giá khả năng tổn thất tí n dụng của khách hàng vay dựa trên hệ thống cơ sở dữ liệu n ội bộ được đề nghị áp dụng tại H iệp định về tiêu chuẩn vốn quốc tế của Ủy ban Basel, gọi tắt là Ba sel II. Hiệp định này được xây dựng vào tháng 6 năm 2004, theo đó các ngân hàng có thể sử dụng mô h ình dựa trên hệ thống dữ liệu nội bộ để đánh giá rủi ro tín dụng đối với các khách hàng vay vốn. Theo Basel Committee on Banking Supervision (2005) với mỗi kỳ hạn xác định, tổn thất ước tính về tín dụng được tính toán theo công thức: EL = PD X EAD X LGD Tổn thất tín dụng phụ thuộc vào 3 biến số: x ác suất khách hàng không trả được nợ PD (Probability of Default), tổng dư nợ của khách hàng tại thời điểm khách hàng không trả được nợ EAD (Exposure at Defaul t) và tỷ trọng tổn thất ước tính LGD (Loss Given Def a ul t) .
17
Ưu điểm:
Đây là mô hình xếp hng tín n him hiện đại được đ xut bi U ban Basel.
Vic xếp hng tín nhim ca khách hàng da trên cơ s khoa hc và khách quan.
Nhược đim:
Các ngân hàng để áp dụng được hình xếp hạng tín nhiệm y cần phải
xây dựng cơ sở dữ liệu nội bộ. Độ chính xác của mô hình phụ thuộc vào độ chính
xác của dữ liệu nên để áp dụng được mô hình này sẽ tốn kém chi phí.
1.3.4. Mô hình Binary Logistic
Theo Simon Jackman (2007), 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 hai giá trị 0 và 1, với 0 là không xảy ra sự kiện ta quan tâm và 1
là có xảy ra, tất nhiên là cả thông tin về các 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 quy 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 sẽ cho là “không”.
Theo Karl L.Wuensch (2014), hồi quy Binary logistic được sử dụng để tiên
đoán một biến xác thực (thường là biến nhị phân) từ một tập hợp biến. Với một biến
phụ thuộc, phân tích biệt số thường được sử dụng nếu tất cả các dự báo liên tục
được phân phối tốt, phân tích logit thường được sử dụng nếu tất cả các dự báo
đều là nhị phân và hồi quy logistic thường được chọn nếu những biến dự báo là một
tập hợp liên tục và những biến là nhị phân hoặc nếu chúng không phải là phân phối
tốt. Trong hồi quy logistic, biến phụ thuộc được dự báo một hàm xác suất
một biến nhị phân.
Theo Hun Myoung Park (2010), khi biến phụ thuộc một biến nhị phân,
biến thứ bậc, hoặc biến định danh. Thậm chí những dữ liệu đếm được rời rạc
nhưng thường được xem như liên tục. Khi đó phương pháp ước lượng bình phương
nhỏ nhất (OLS) không còn một ước lượng không chệch tuyến tính tốt nhất
(BLUE) nữa, OLS ước lượng chệch và không hiệu quả. Do đó, những nhà
nghiên cứu đã phát triển hàng loạt môt hình hồi quy mới đối với các biến phụ thuộc
này và hồi quy Binary Logistic được sử dụng đến.
17 Ưu điểm: Đây là mô hình xếp hạng tín n hiệm hiện đại được đề xuất bởi U ỷ ban Basel. Việc xếp hạng tín nhiệm của khách hàng dựa trên cơ sở khoa học và khách quan. Nhược điểm: Các ngân hàng để áp dụng được mô hình xếp hạng tín nhiệm này cần phải xây dựng cơ sở dữ liệu nội bộ. Độ chính xác của mô hình phụ thuộc vào độ chính xác của dữ liệu nên để áp dụng được mô hình này sẽ tốn kém chi phí. 1.3.4. Mô hình Binary Logistic Theo Simon Jackman (2007), 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 hai 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 thông tin về các 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 quy 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 sẽ cho là “không”. Theo Karl L.Wuensch (2014), hồi quy Binary logistic được sử dụng để tiên đoán một biến xác thực (thường là biến nhị phân) từ một tập hợp biến. Với một biến phụ thuộc, phân tích biệt số thường được sử dụng nếu tất cả các dự báo là liên tục và được phân phối tốt, phân tích logit thường được sử dụng nếu tất cả các dự báo đều là nhị phân và hồi quy logistic thường được chọn nếu những biến dự báo là một tập hợp liên tục và những biến là nhị phân hoặc nếu chúng không phải là phân phối tốt. Trong hồi quy logistic, biến phụ thuộc được dự báo là một hàm xác suất và là một biến nhị phân. Theo Hun Myoung Park (2010), khi biến phụ thuộc là một biến nhị phân, biến thứ bậc, hoặc biến định danh. Thậm chí những dữ liệu đếm được là rời rạc nhưng thường được xem như liên tục. Khi đó phương pháp ước lượng bình phương nhỏ nhất (OLS) không còn là một ước lượng không chệch tuyến tính tốt nhất (BLUE) nữa, và OLS là ước lượng chệch và không hiệu quả. Do đó, những nhà nghiên cứu đã phát triển hàng loạt môt hình hồi quy mới đối với các biến phụ thuộc này và hồi quy Binary Logistic được sử dụng đến.
18
Phương pháp này cũng giống như phương pháp hồi quy tuyến tính, song
được xây dựng cho mô hình với biến được dự báo là biến nhị nguyên nhận 2 giá trị
tương ứng với sự hiện diện hay vắng mặt của một đặc tính hay một kết quả cần
quan tâm nào đó. Các hệ số trong phương trình hồi quy có thể sử dụng để ước lượng
các tỷ số chênh (odds ratios) cho từng biến độc lập trong mô hình.
Ưu điểm.
Dáp dụng, đơn giản việc đánh giá, xếp hạng hoàn toàn dựa trên sở
định lượng. Chi phí cho việc XHTN thấp và có thể tiến hành khá nhanh chóng.
Ưu điểm nổi bật của mô hình có thể loại bỏ khía cạnh chủ quan trong kết
quả đánh giá.
hình Binary Logistic hai giá trị 0 1 nên phù hợp với việc ước
lượng xác suất của một sự kiện có xảy ra với những thông tin của biến đôc lập mà
ta được. đây rủi ro tín dụng hay khả năng vỡ nợ đều xác suất của một sự
kiện.
Nhược điểm.
Trong trường hợp thu thập số liệu gặp khó khăn hoặc số liệu kém tin cậy thì
việc ước lượng mô hình khó có thể thực hiện được.
Ngoài ra khi áp dụng mô hình này phải thoả mãn các giả thiết đưa ra nên đó
lại chính là những hạn chế. Bởi nếu các giả thiết của mô hình không được thoả mãn
thì kết quả xếp hạng có thể không đáng tin cậy.
1.4. Lược kho các nghiên cu liên quan:
1.4.1. Nghiên cứu trong nước:
Trực (2015) nghiên cứu về giải pháp hạn chế RRTD các NHTM
Việt Nam. Bài viết sử dụng dữ liệu bảng và mô hình hồi quy bình phương tối thiểu
tổng thể (GLS) để tìm kiếm các nhân tố quyết định đến nợ xấu tại các NHTM Việt
Nam từ đó đưa ra một số giải pháp nhằm hạn chế RRTD. Thông qua kết quả nghiên
cứu thực nghiệm, tác giả đề xuất năm giải pháp: Thứ nhất, chính phủ và NHNN
thực thi điều hành chính sách tiền tệ hướng đến lạm phát mục tiêu. Thứ hai, NHNN
cần phải công khai quy chuẩn để tăng cường vai trò giám sát của mình trong quá
trình phê duyệt ngắn hạn mức cấp tín dụng cho từng ngân hàng. Thứ ba, NHNN cần
ban hành mức vốn tối thiểu để mở một phòng giao dịch. Thứ tư, chính phủ
18 Phương pháp này cũng giống như phương pháp hồi quy tuyến tính, song được xây dựng cho mô hình với biến được dự báo là biến nhị nguyên nhận 2 giá trị tương ứng với sự hiện diện hay vắng mặt của một đặc tính hay một kết quả cần quan tâm nào đó. Các hệ số trong phương trình hồi quy có thể sử dụng để ước lượng các tỷ số chênh (odds ratios) cho từng biến độc lập trong mô hình.  Ưu điểm. Dễ áp dụng, đơn giản và việc đánh giá, xếp hạng hoàn toàn dựa trên cơ sở định lượng. Chi phí cho việc XHTN thấp và có thể tiến hành khá nhanh chóng. Ưu điểm nổi bật của mô hình là có thể loại bỏ khía cạnh chủ quan trong kết quả đánh giá. Mô hình Binary Logistic có hai giá trị là 0 và 1 nên phù hợp với việc ước lượng xác suất của một sự kiện có xảy ra với những thông tin của biến đôc lập mà ta có được. Ở đây rủi ro tín dụng hay khả năng vỡ nợ đều là xác suất của một sự kiện.  Nhược điểm. Trong trường hợp thu thập số liệu gặp khó khăn hoặc số liệu kém tin cậy thì việc ước lượng mô hình khó có thể thực hiện được. Ngoài ra khi áp dụng mô hình này phải thoả mãn các giả thiết đưa ra nên đó lại chính là những hạn chế. Bởi nếu các giả thiết của mô hình không được thoả mãn thì kết quả xếp hạng có thể không đáng tin cậy. 1.4. Lược khảo các nghiên cứu liên quan: 1.4.1. Nghiên cứu trong nước: Lê Bá Trực (2015) nghiên cứu về giải pháp hạn chế RRTD ở các NHTM Việt Nam. Bài viết sử dụng dữ liệu bảng và mô hình hồi quy bình phương tối thiểu tổng thể (GLS) để tìm kiếm các nhân tố quyết định đến nợ xấu tại các NHTM Việt Nam từ đó đưa ra một số giải pháp nhằm hạn chế RRTD. Thông qua kết quả nghiên cứu thực nghiệm, tác giả đề xuất năm giải pháp: Thứ nhất, chính phủ và NHNN thực thi điều hành chính sách tiền tệ hướng đến lạm phát mục tiêu. Thứ hai, NHNN cần phải công khai quy chuẩn để tăng cường vai trò giám sát của mình trong quá trình phê duyệt ngắn hạn mức cấp tín dụng cho từng ngân hàng. Thứ ba, NHNN cần ban hành mức vốn tối thiểu để mở một phòng giao dịch. Thứ tư, chính phủ và
19
NHNN cần phải thanh tra, giám sát tài chính các ngân hàng. Thứ năm, chính phủ và
NHNN cần kiên quyết triển khai áp dụng hiệp ước Basel II cho toàn hệ thống
NHTM trong quá trình tái cơ cấu.
Thị Quý, Bùi Ngọc Toản, 2014, nghiên cứu các yếu tố ảnh hưởng đến
RRTD trên 26 NHTM giai đoạn 2009-2012 đã góp phần làm sáng tỏ bức tranh nợ
xấu của hệ thống NHTM Việt Nam. Nghiên cứu sử dụng dữ liệu bảng với phương
pháp GMM được sử dụng để khắc phục hiện tượng tự tương quan bậc nhất giữa các
sai số và hiện tượng biến nội sinh để đảm bảo các ước lượng thu được vững và hiệu
quả. Kết quả nghiên cứu cho thấy RRTD ngân hàng trong quá khứ với độ trễ 1 năm,
tỷ lệ tăng trưởng tín dụng trong quá khứ với độ trễ 1 năm, tỷ lệ tăng trưởng GDP
trong quá khứ với độ trễ 1 năm tác động ý nghĩa thống đến RRTD của
NHTM.
Nguyễn Thị Cành, Phạm Chí khoa (2014) nghiên cứu áp dụng hình
KMV Merton trong tính toán, dự báo xác suất phá sản của khách hàng khách hàng
cho Vietcombank. Với số liệu báo cáo tài chính của 6.398 khách hàng DN được
phân tích trong giai đoạn 2008-2013, kết quả nghiên cứu cho thấy xác suất phá sản
của toàn danh mục 2,6% cùng mức độ tổn thất khoảng 6.319 tỷ đồng, chiếm
khoảng 3,8% dư nợ của toàn danh mục KHDN, trong đó các khách hàng có quy mô
nhỏ có xác suất phá sản nhỏ hơn các khách hàng quy lớn. Phân theo ngành
nghề, ngành có khá ch hàng phá sản thấp nhất là ngành vận tải đường bộ, còn ngành
có xác suất phá sản lớn nhất ngành sản xuất, truyền tải và phân phối điện, năng
lượng khác và ngành chế biến hải sản. Những ngành, nhóm khách hàng có xác suất
phá sản cao, nợ cao sẽ gây thất thoát cho ngân hàng nhiều nhất, kết quả nghiên
cứu chỉ ra nhóm khách hàng quy mô lớn các DN ngành nghề chế biến thủy sản
gây thất thoát cho Vietcombank cao nhất.
Nguyễn Minh Hà, Trịnh Hoàng Nam (2013) nghiên cứu xác định các nhân tố
tác động đến RRTD trong hoạt động kinh doanh thẻ tín dụng tại Việt Nam, từ đó
đưa ra các khuyến nghị nhằm hạn chế RRTD trong hạn chế kinh doanh thẻ tín dụng
tại Việt Nam. Thông qua kết quả nghiên cứu thực nghiệm bằng hình hồi quy,
cho thấy có 6 nhân tố tác động đến RRTD gồm: thu nhập, đặc tính nghề nghiệp của
khách hàng, hệ số thanh toán thẻ tín dụng, hệ số sử dụng thẻ, thời gian sử dụng thẻ
19 NHNN cần phải thanh tra, giám sát tài chính các ngân hàng. Thứ năm, chính phủ và NHNN cần kiên quyết triển khai áp dụng hiệp ước Basel II cho toàn hệ thống NHTM trong quá trình tái cơ cấu. Võ Thị Quý, Bùi Ngọc Toản, 2014, nghiên cứu các yếu tố ảnh hưởng đến RRTD trên 26 NHTM giai đoạn 2009-2012 đã góp phần làm sáng tỏ bức tranh nợ xấu của hệ thống NHTM Việt Nam. Nghiên cứu sử dụng dữ liệu bảng với phương pháp GMM được sử dụng để khắc phục hiện tượng tự tương quan bậc nhất giữa các sai số và hiện tượng biến nội sinh để đảm bảo các ước lượng thu được vững và hiệu quả. Kết quả nghiên cứu cho thấy RRTD ngân hàng trong quá khứ với độ trễ 1 năm, tỷ lệ tăng trưởng tín dụng trong quá khứ với độ trễ 1 năm, tỷ lệ tăng trưởng GDP trong quá khứ với độ trễ 1 năm tác động có ý nghĩa thống kê đến RRTD của NHTM. Nguyễn Thị Cành, Phạm Chí khoa (2014) nghiên cứu áp dụng mô hình KMV Merton trong tính toán, dự báo xác suất phá sản của khách hàng khách hàng cho Vietcombank. Với số liệu báo cáo tài chính của 6.398 khách hàng DN được phân tích trong giai đoạn 2008-2013, kết quả nghiên cứu cho thấy xác suất phá sản của toàn danh mục là 2,6% cùng mức độ tổn thất khoảng 6.319 tỷ đồng, chiếm khoảng 3,8% dư nợ của toàn danh mục KHDN, trong đó các khách hàng có quy mô nhỏ có xác suất phá sản nhỏ hơn các khách hàng có quy mô lớn. Phân theo ngành nghề, ngành có khá ch hàng phá sản thấp nhất là ngành vận tải đường bộ, còn ngành có xác suất phá sản lớn nhất là ngành sản xuất, truyền tải và phân phối điện, năng lượng khác và ngành chế biến hải sản. Những ngành, nhóm khách hàng có xác suất phá sản cao, dư nợ cao sẽ gây thất thoát cho ngân hàng nhiều nhất, kết quả nghiên cứu chỉ ra nhóm khách hàng quy mô lớn và các DN ngành nghề chế biến thủy sản gây thất thoát cho Vietcombank cao nhất. Nguyễn Minh Hà, Trịnh Hoàng Nam (2013) nghiên cứu xác định các nhân tố tác động đến RRTD trong hoạt động kinh doanh thẻ tín dụng tại Việt Nam, từ đó đưa ra các khuyến nghị nhằm hạn chế RRTD trong hạn chế kinh doanh thẻ tín dụng tại Việt Nam. Thông qua kết quả nghiên cứu thực nghiệm bằng mô hình hồi quy, cho thấy có 6 nhân tố tác động đến RRTD gồm: thu nhập, đặc tính nghề nghiệp của khách hàng, hệ số thanh toán thẻ tín dụng, hệ số sử dụng thẻ, thời gian sử dụng thẻ