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
410
690
87
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 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 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 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 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
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 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 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.
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.
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