Đề xuất cảnh báo rủi ro tín dụng trong cho vay khách hàng doanh nghiệp của ngân hàng thương mại ở Việt Nam

1. Đặt vấn đề 
Rủi ro tín dụng là loại rủi ro lớn nhất mà các 
Ngân hàng thương mại phải đối mặt, đặc biệt trong 
bối cảnh cạnh tranh khốc liệt trong lĩnh vực kinh 
doanh tiền tệ như ngày nay. Có nhiều nguyên nhân 
dẫn đến rủi ro tín dụng, trong đó chủ yếu xuất phát 
từ phía khách hàng vay. Do đó việc đánh giá thông 
tin khách hàng làm căn cứ ra quyết định tín dụng là 
rất cần thiết. Trên thế giới đã có khá nhiều công 
trình nghiên cứu liên quan đến Cảnh báo rủi ro tín 
dụng, mỗi mô hình đều có những ưu điểm và thế 
mạnh riêng. Tuy nhiên mỗi mô hình chỉ tập trung 
vào một khía cạnh nhất định mà chưa bao quát và 
phần lớn chỉ tập trung, phân tích các yếu tố tài 
chính. Xuất phát từ thực tế đó, bài báo đề xuất mô 
hình cảnh báo rủi ro tín dụng dựa trên việc phân tích 
các yếu tố tài chính và phi tài chính nhằm ước tính 
xác suất trả và không trả được nợ vay của các khách 
hàng là các doanh nghiệp, từ đó giúp các ngân hàng 
thương mại có thể giảm thiểu được rủi ro tín dụng. 
2. Tổng quan nghiên cứu 
Quản trị rủi ro tín dụng là hoạt động rất quan 
trọng được mọi ngân hàng quan tâm, hiện nay trên 
thế giới có khá nhiều các công trình nghiên cứu liên 
quan đến mảng nghiên cứu này, trong đó tiêu biểu là 
Mô hình Merton (1974) có vai trò mang tính khai 
sáng trong quản trị rủi ro tín dụng, mô hình này xác 
định khả năng trả nợ của một công ty dựa trên việc 
tính toán giá trị tài sản của công ty tại một thời điểm 
nào đó và so sánh nó với khoản nợ của công ty với 
giả thiết công ty có một khoản nợ duy nhất và phải 
trả tại một thời điểm duy nhất, đây là hạn chế của 
mô hình Merton vì hiện nay cơ cấu nợ của các công 
ty rất phức tạp. Để khắc phục những hạn chế của mô 
hình chấm điểm phụ thuộc khá nhiều vào dữ liệu 
định tính, [Altman (1977)] đã cho ra đời mô hình 
điểm số Z. Mô hình điểm số Z tính toán khả năng trả 
nợ của khách hàng dựa trên số liệu lịch sử của các 
yếu tố có ảnh hưởng đến khả năng trả nợ của khách 
hàng. Mô hình điểm số Z đã sử dụng phương pháp 
55
?
Sè 131/2019
QUẢN TRỊ KINH DOANH
thương mại
khoa học
ĐỀ XUẤT CẢNH BÁO RỦI RO TÍN DỤNG 
TRONG CHO VAY KHÁCH HÀNG DOANH NGHIỆP 
CỦA NGÂN HÀNG THƯƠNG MẠI Ở VIỆT NAM
Đỗ Năng Thắng 
Đại học Thái Nguyên 
Email: dnthang@ictu.edu.vn 
Nguyễn Văn Huân 
Trường ĐH CNTT&TT, Đại học Thái Nguyên 
Email: nvhuan@ictu.edu.vn 
Ngày nhận: 12/03/2019 Ngày nhận lại: 26/04/2019 Ngày duyệt đăng: 14/05/2019 
Xuất phát từ tính cấp thiết của tình hình thực tế, các ngân hàng thương mại cần có một công cụ quản trị rủi ro tín dụng hữu hiệu để hạn chế rủi ro. Nhóm tác giả đã đi khảo sát, nghiên cứu và đề xuất 
bộ các yếu tố tác động đến khả năng trả nợ của khác hàng cá nhân và tiến hành khảo sát. Đề tài sử dụng 
bộ dữ liệu gồm 210 mẫu quan sát. Sử dụng phần mềm SPSS làm sạch dữ liệu và chạy mô hình dựa trên hồi 
quy Binary logistics của Maddala xuất bản năm 1984 để tìm ra tác động của từng yếu tố riêng biệt của 
khách hàng ảnh hưởng đến khả năng trả nợ của họ như thế nào. Nhóm tác giả cũng chỉ rõ thứ tự mức độ 
ảnh hưởng của từng nhân tố quyết định đến khả năng trả nợ của khách hàng cá nhân, từ đó giúp các nhà 
quản lý ngân hàng có cái nhìn trực quan tốt hơn để ra quyết định cho vay chính xác, hạn chế rủi ro. 
Từ khóa: mô hình cảnh báo, rủi ro tín dụng, mô hình logistics; yếu tố tài chính, yếu tố phi tài chính. 
?phân tích khác biệt đa nhân tố để lượng hóa xác suất 
vỡ nợ của người vay đã khắc phục được các nhược 
điểm của mô hình định tính, do đó góp phần tích 
cực trong việc kiểm soát rủi ro tín dụng tại các Ngân 
hàng thương mại. Tuy nhiên, mô hình này phụ thuộc 
nhiều vào cách phân loại nhóm khách hàng vay có 
rủi ro và không có rủi ro. Mặt khác, mô hình đòi hỏi 
hệ thống thông tin đầy đủ cập nhật của tất cả các 
khách hàng. Yêu cầu này rất khó thực hiện trong 
điều kiện nền kinh tế thị trường không đầy đủ. Mô 
hình CreditMetrics, được JP Morgan giới thiệu vào 
năm 1997, là một mô hình được sử dụng phổ biến 
trong thực tiễn. Mô hình này có thể xem là có nguồn 
gốc từ mô hình Merton, tuy nhiên có một điểm khác 
biệt cơ bản giữa mô hình CreditMetrics với Merton. 
Đó là, ngưỡng phá sản trong mô hình CreditMetrics 
được xác định từ xếp hạng tín dụng chứ không phải 
từ các khoản nợ. Do đó, mô hình này cho phép xác 
định cả xác suất vỡ nợ và xác suất suy giảm tín 
dụng. Tuy nhiên, do yêu cầu về sự ổn định của các 
hệ thống xếp hạng bên ngoài, nên mô hình 
CreditMetrics thường không phản ánh đúng tình 
hình tài chính của một công ty. Khi áp dụng mô hình 
CrediMetrics cho danh mục, ta cũng cần giả thiết 
phân phối chuẩn. 
Nhìn chung mỗi mô hình đều có những ưu và 
nhược điểm riêng, hầu hết chỉ tập trung vào phân 
tích các yếu tố tài chính mà không đề cập đến các 
yếu tố phi tài chính. Trong thực tế sự ảnh hưởng của 
các yếu tố phi tài chính là rất lớn. Xuất phát từ 
nguyên nhân đó, bài báo đề xuất mô hình cảnh báo 
rủi ro tín dụng đối với trường hợp của khách hàng 
doanh nghiệp, từ đó giúp ngân hàng thương mại có 
thêm một công cụ trong việc trợ giúp ra quyết định 
tín dụng. 
3. Phương pháp nghiên cứu 
3.1. Mô hình lý thuyết - mô hình Logistics 
Mô hình hồi quy Binary logistic [Maddala 
(1983)] là mô hình định lượng, trong đó biến phụ 
thuộc là biến giả, chỉ nhận 2 giá trị là 0 hoặc 1. Mô 
hình này được ứng dụng rộng rãi trong phân tích 
kinh tế nói chung và rủi ro tín dụng nói riêng. Cụ thể 
hơn, mô hình này có thể giúp Ngân hàng xác định 
khả năng khách hàng sẽ có rủi ro tín dụng (biến phụ 
thuộc) trên cơ sở sử dụng các nhân tố có ảnh hưởng 
đến khách hàng (biến độc lập). 
Cấu trúc dữ liệu của mô hình Logistic: 
Y là biến nhị phân chỉ có thể nhận một trong hai 
giá trị 0 hoặc 1 
Y=0: Khách hàng không có khả năng trả nợ 
Y=1: Khách hàng có khả năng trả nợ 
Xác suất để Y=0: p 
Xác suất để Y=1: 1-p 
Có 2 loại hồi quy logit: 
Hồi quy logit đơn: 
Hay: 
Xem xét sự thay đổi của Odds khi biến độc lập 
(biến giải thích) X gia tăng thêm 1 đơn vị (từ X lên 
X +1). Chúng ta có: 
Ý nghĩa: gia tăng 1 đơn vị của biến độc lập thì 
Odds2 bằng eβ1 lần so với Odds1. Nếu eβ1 > 1 (hay 
β1> 0) thì Odds2 tăng gấp eβ1 lần Odds1 (Odds2 = eβ1 
*Odds1) và ngược lại nếu eβ1 < 1 (hay β1< 0) thì 
Odds2 giảm eβ1 lần Odds1. 
Sè 131/201956
QUẢN TRỊ KINH DOANH
thương mại
khoa học
Bảng 1: Quy ước biến phụ thuộc và độc lập 
%LӃQ .êKLӋX /RҥL 
3KөWKXӝF Y 1KӏSKkQ 
ĈӝFOұS X /LrQWөFKRһFUӡLUҥF 
0 1
0 1 0 1( )
1
1 1
X
X X
ep
e e
E E
E E E E

    
0 1
11
1 X
p
eE E
 

Odds cӫa sӵ kiӋn xҧy ra: 
0 1
0 1
0 1( )
1
1 1
X
X
X
p eOdds e
p e
E E
E E
E E


 
 
  
0 1
0 1( ) ( ) ln( )1
XpLn Odds Ln e X
p
E E E E 

 Odds= Ln(Logit ) = 
Khi X=
Khi X=
L
Ln( = 
Ln( = 
n( - Ln( =
Ln(
 Ln LnOR
+
OR = 
Cũng như trong hồi quy tuyến tính, chúng ta ước 
lượng các tham số β0 và β1 từ mẫu, rồi dùng các 
kiểm định thống kê phù hợp để xem xét ý nghĩa 
thống kê của chúng. 
Giả thuyết kiểm định là: 
H0: β1 = 0 —> biến độc lập không tác động đến 
xác suất xảy ra sự kiện; 
H1: β1 ≠ 0 —> biến độc lập có tác động đến xác 
suất xảy ra sự kiện. 
Trường hợp hồi quy logit bội thì: 
Logit = Ln(Odds) = β0 + β1X1 + ...+ βkXk 
3.2. Mô hình nghiên cứu đánh giá rủi ro tín 
dụng đối với khách hàng doanh nghiệp 
Biến phụ thuộc 
Y: Trả nợ 
Y = 1: Nếu khách hàng có khả năng trả nợ 
Y = 0: Nếu khách hàng không có khả năng trả nợ 
Biến động lập 
Phương trình hồi quy logistic tổng quát có dạng 
Ln(odds) = B0 + B1X1 + B2X2 + B3X3 + B4X4 + 
B5X5 + B6X6 + B7X7 + B8X8 + B9X9 + B10X10 + 
B11X11 + B12X12 
3.3. Nguồn số liệu 
Đề tài sử dụng bộ dữ liệu gồm 210 mẫu quan sát. 
Sử dụng phần mềm SPSS làm sạch dữ liệu và sử 
dụng mô hình hồi quy Binary logistics để tìm ra tác 
động của từng yếu tố riêng biệt của khách hàng ảnh 
hưởng đến khả năng trả nợ của họ như thế nào. 
3.4. Hệ thống kiểm định của mô hình 
Kiểm dịnh Wald 
Thực hiện phân tích hồi quy Binary logistics 
bằng SPSS ( Sig<0.05), ta được kết quả như 
bảng 3 sau: 
57
?
Sè 131/2019
QUẢN TRỊ KINH DOANH
thương mại
khoa học
Hình 1: Mô hình tác động của các biến độc lập ảnh hưởng đến khả năng trả nợ 
ChӍ sӕ thanh 
toán ngҳn hҥn 
ChӍ sӕ thanh 
toán nhanh 
Vòng quay 
Hàng tӗn kho 
Vòng quay các 
khoңn phңi thu 
ROE 
ROA 
HӋ sӕ nӧ 
YӃu 
tӕ 
tài 
chính 
Trҧ nӧ 
YӃu 
tӕ 
phi 
tài 
chính 
7UuQKÿӝ 
quҧn lý 
Sӕ QăP 
thành lұp 
Lӏch sӱ 
tín dөng 
Quy mô 
doanh nghiӋp 
/ѭӧng vӕn vay 
ngân hàng 
?
Sè 131/201958
QUẢN TRỊ KINH DOANH
thương mại
khoa học
Bảng 2: Thông tin các biến độc lập 
Ghi chú: TSLĐ: Tài sản lưu động; HTK: Hàng tồn kho; TS: Tài sản; VCSH: Vốn chủ sở hữu; DNNVV: 
Doanh nghiệp nhỏ và vừa
STT 7rQELӃQ 7KDQJÿR *LҧWKLӃW 
Ký 
KLӋX 
1 &KӍ VӕNKҧQăQJWKDQKWRiQQJҳQKҥQ 76/Ĉ1ӧQJҳQKҥQ + X1 
2 &KӍ VӕNKҧQăQJWKDQKWRiQQKDQK 76/Ĉ-+7.1ӧQJҳQKҥQ + X2 
3 9zQJTXD\KjQJWӗQNKR *LiYӕQKjQJEiQ*LiWUӏHTK bình quân + X3 
4 9zQJTXD\FiFNKRҧQSKҧLWKX 'RDQKWKX&iFNKRҧQSKҧLthu bình quân + X4 
5 +ӋVӕQӧ 7әQJQӧ7әQJWjLVҧQ - X5 
6 9ӕQYD\QJkQKjQJ &KөFWӹÿӗQJ - X6 
7 ROA /ӧLQKXұQVDXWKXӃ7әQJ76 + X7 
8 ROE /ӧLQKXұQVDXWKXӃ9&6H + X8 
9 7UuQKÿӝTXҧQOê 'ѭӟLÿҥLKӑF - X9 7ӯÿҥLKӑFWUӣOrQ + 
10 /ӏFKVӱWtQGөQJ 7UҧQӧÿҫ\ÿӫYjÿ~QJKҥQ + X10 7UҧQӧNK{QJÿ~QJKҥQ - 
11 6ӕQăPWKjQKOұS 'ѭӟLQăP - X11 7ӯQăPWUӣOrQ + 
12 4X\P{FӫDGRDQKQJKLӋp 0: DNNVN - X12 '1OӟQ + 
Bảng 3: Kiểm định ý nghĩa thống kê của các hệ số hàm hồi quy 
7rQELӃQ B S.E. Wald df Sig. Exp(B) 
&KӍVӕWKDQKWRiQQJҳQKҥQ 4.293 1.613 7.084 1 0.008 73.161 
&KӍVӕWKDQKWRiQQKDQK 3.139 1.489 4.441 1 0.035 23.076 
9zQJTXD\KjQJWӗQNKR 2.370 1.051 5.090 1 0.024 10.702 
9zQJTXD\FiFNKRҧQSKҧLWKX 0.930 0.455 4.178 1 0.041 2.534 
+ӋVӕQӧ -2.349 1.134 4.292 1 0.038 0.095 
9ӕQYD\QJkQKjQJ -0.262 0.125 4.427 1 0.035 0.769 
ROE 0.115 0.057 4.097 1 0.043 1.122 
ROA 0.340 0.159 4.582 1 0.032 1.405 
7UuQKÿӝTXҧQOê 3.342 1.441 5.378 1 0.020 28.269 
6ӕQăPKRҥWÿӝQJ 2.997 1.433 4.372 1 0.037 20.032 
/ӏFKVӱWtQGөQJ -2.685 1.348 3.968 1 0.046 0.068 
4X\P{GRDQKQJKLӋS 2.365 1.183 4.001 1 0.045 10.648 
Constant -19.141 6.709 8.139 1 0.004 .000 
Từ kết quả phân tích hồi quy Logistics trên, ta 
thấy giá trị mức ý nghĩa sig của các biến độc lập đều 
có giá trị <0.05, nên các biến độc lập trong mô hình 
hồi quy Binary logistics có mối tương quan với biến 
phụ thuộc là biến TRA_NO. Mức ý nghĩa thống kê 
của các hệ số hồi quy trên đều có độ tin cậy trên 
95%, dấu của các hệ số hồi quy phù hợp với giả thiết 
đưa ra ban đầu. 
Kiểm định mức độ phù hợp của mô hình (Kiểm 
định Omnibus) 
Dựa vào kết 
quả kiểm định 
mức độ phù hợp 
của mô hình, ta 
có sig <0.05, như 
vậy mô hình 
tổng quát cho 
thấy mối tương 
quan giữa biến 
phụ thuộc và các biến độc 
lập trong mô hình có ý 
nghĩa thống kê với 
khoảng tin cậy trên 99% 
Kiểm định mức độ 
giải thích của mô hình 
Hệ số mức độ giải 
thích của mô hình: R2 
Nagelkerke = 0.885. Điều này có nghĩa là 88.5% 
sự thay đổi của biến phụ thuộc được giải thích bởi 
12 biến độc lập trong mô hình, còn lại là do các yếu 
tố khác. 
Kiểm định mức độ dự báo tính chính xác của 
mô hình 
- Trong 36 trả lời các cá nhân không có khả năng 
trả nợ, mô hình dự báo chính xác là 31, vậy tỷ lệ 
đúng là 86.1% 
- Trong 174 trả lời các cá nhân có khả năng trả 
được nợ, mô hình dự báo chính xác là 171, vậy tỷ lệ 
đúng là 98.3% 
Tỷ lệ dự báo đúng của toàn bộ mô hình là 96.2% 
Kiểm định hiện tượng đa cộng tuyến 
Bài báo dựa vào Hệ số phóng đại phương sai VIF 
để phát hiện Đa cộng tuyến (bảng 7) 
Nhìn vào bảng ta thấy Hệ số phóng đại phương 
sai VIF của các biến đều < 4 nên không có hiện 
tượng đa cộng tuyến xảy ra. 
59
?
Sè 131/2019
QUẢN TRỊ KINH DOANH
thương mại
khoa học
Bảng 4: Kiểm định sự phù hợp của mô hình
 Chi-square df Sig. 
Step 158.912 12 .000 
Block 158.912 12 .000 
Model 158.912 12 .000 
Bảng 5: Kiểm định mức độ giải thích của mô hình 
Step -2 Log 
likelihood 
Cox & Snell R 
Square 
Nagelkerke R 
Square 
1 33.508a 0.531 0.885 
Bảng 6: Kiểm định mức độ dự báo tính chính xác của mô hình 
Quan sát 
'ӵÿRiQ 
.KҧQăQJWUҧQӧ 
7ӹOӋ
chính xác .K{QJFyNKҧ
QăQJWUҧQӧ 
&yNKҧQăQJ
WUҧQӧ 
.KҧQăQJ
WUҧQӧ 
.K{QJFyNKҧQăQJWUҧQӧ 31 5 86.1 
&yNKҧQăQJWUҧQӧ 3 171 98.3 
7ӹOӋWәQJWKӇ 96.2 
?4. Kết quả nghiên cứu và thảo luận 
4.1. Mô hình cảnh báo rủi ro tín dụng 
Sè 131/201960
QUẢN TRỊ KINH DOANH
thương mại
khoa học
Bảng 7: Kiểm định hiện tượng đa cộng tuyến 
Mô hình 
+ӋVӕFKѭD
FKXҭQKyD 
+ӋVӕÿm
FKXҭQ
hóa 
7KӕQJ
kê 
t 
7KӕQJ
NӃ 
Sig. 
7KӕQJNrÿD
FӝQJWX\ӃQ 
B ĈӝOӋFKFKXҭQ Beta Tolerance VIF 
(+ҵQJVӕ) -0.110 0.129 -0.855 0.393 
&KӍVӕWKDQK
WRiQQJҳQKҥQ 0.091 0.041 0.140 2.233 0.027 0.440 2.271 
&KӍVӕWKDQK
toán nhanh 0.030 0.040 0.046 0.754 0.451 0.459 2.178 
Vòng quay hàng 
WӗQNKR 0.050 0.023 0.097 2.216 0.028 0.909 1.100 
Vòng quay các 
NKRҧQSKҧLWKX 0.055 0.013 0.195 4.268 0.000 0.833 1.201 
+ӋVӕQӧ -0.256 0.059 -0.262 -4.340 0.000 0.476 2.102 
9ӕQYD\QJkQ
hàng -0.003 0.002 -0.104 -1.690 0.093 0.459 2.180 
ROE 0.002 0.002 0.101 1.296 0.196 0.285 3.504 
ROA 0.001 0.002 0.032 0.562 0.575 0.543 1.841 
7UuQKÿӝTXҧQOê 0.235 0.057 0.199 4.116 0.000 0.746 1.340 
6ӕQăPKRҥW
ÿӝQJ 0.127 0.054 0.118 2.353 0.020 0.695 1.440 
/ӏFKVӱWtQGөQJ -0.019 0.036 -0.024 -0.516 0.606 0.773 1.294 
Quy mô doanh 
QJKLӋS 0.329 0.056 0.296 5.883 0.000 0.685 1.459 
Constant -19.141 6.709 8.139 1 0.004 .000 
7rQELӃQ B S.E. Wald df Sig. Exp(B) 
&KӍVӕWKDQKWRiQQJҳQKҥQ 4.293 1.613 7.084 1 0.008 73.161 
&KӍVӕWKDQKWRiQQKDQK 3.139 1.489 4.441 1 0.035 23.076 
9zQJTXD\KjQJWӗQNKR 2.370 1.051 5.090 1 0.024 10.702 
9zQJTXD\FiFNKRҧQSKҧLWKX 0.930 0.455 4.178 1 0.041 2.534 
+ӋVӕQӧ -2.349 1.134 4.292 1 0.038 0.095 
9ӕQYD\QJkQKjQJ -0.262 0.125 4.427 1 0.035 0.769 
ROE 0.115 0.057 4.097 1 0.043 1.122 
ROA 0.340 0.159 4.582 1 0.032 1.405 
TruQKÿӝTXҧQOê 3.342 1.441 5.378 1 0.020 28.269 
6ӕQăPKRҥWÿӝQJ 2.997 1.433 4.372 1 0.037 20.032 
/ӏFKVӱWtQGөQJ -2.685 1.348 3.968 1 0.046 0.068 
4X\P{GRDQKQJKLӋS 2.365 1.183 4.001 1 0.045 10.648 
Constant -19.141 6.709 8.139 1 0.004 .000 
Phương trình hồi quy logistic tổng quát có dạng: 
Ln(odds) = B0 + B1X1 + B2X2 + B3X3 + B4X4 + 
B5X5 + B6X6 + B7X7 + B8X8 + B9X9 + B10X10 + 
B11X11 + B12X12 
Từ bảng kết quả phân tích hồi quy logistic, ta 
viết được phương trình tương quan Logistic theo 
hướng kinh tế như sau: 
Ln(odds) = -19.141 + 4.293* X1 + 3.139* X2 + 
2.370* X3 + 0.930* X4 - 2.349* X5 - 0.262* X6 + 
0.115* X7 + 0.340* X8 + 3.342* X9+ 2.997* X10- 
2.685* X11+ 2.365* X12 
4.2. Phân tích kết quả hồi quy 
4.2.1. Biến Chỉ số thanh toán ngắn hạn 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu Chỉ số thanh toán ngắn 
hạn của doanh nghiệp tăng lên 1 đơn vị, xác suất trả 
được nợ của doanh nghiệp đó là 89% (tăng lên 79% 
so với xác suất ban đầu là 10%) 
4.2.2. Biến Chỉ số thanh toán nhanh 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu Chỉ số thanh toán nhanh 
của doanh nghiệp tăng lên 1 đơn vị, xác suất trả 
được nợ của doanh nghiệp đó 72% (tăng lên 62% so 
với xác suất ban đầu là 10%) 
4.2.3. Biến Vòng quay hàng tồn kho 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu Chỉ số vòng quay hàng 
tồn kho tăng lên 1 đơn vị, xác suất trả được nợ của 
doanh nghiệp đó là 54% (tăng lên 44% so với xác 
suất ban đầu là 10%) 
4.2.4.Biến Vòng quay các khoản phải thu 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu Chỉ số vòng quay các 
khoản phải thu tăng lên 1, xác suất trả được nợ của 
doanh nghiệp đó là 22% (tăng lên 12% so với xác 
suất ban đầu là 10%) 
4.2.5. Biến Hệ số nợ 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu Hệ số nợ của doanh 
nghiệp tăng thêm 1, xác suất trả được nợ của cá 
nhân đó là 1% (giảm 9% so với xác suất ban đầu là 
10%) 
4.2.6. Biến Vốn vay ngân hàng 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu doanh nghiệp vay nhiều 
hơn 10 tỷ đồng, xác suất trả được nợ của doanh 
nghiệp đó là 8% (giảm 2% so với xác suất ban đầu 
là 10%) 
4.2.7. Biến ROE 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu Chỉ số ROE của doanh 
nghiệp tăng lên 1, xác suất trả được nợ của doanh 
nghiệp đó là 11% (tăng lên 1% so với xác suất ban 
đầu là 10%) 
61
?
Sè 131/2019
QUẢN TRỊ KINH DOANH
thương mại
khoa học
 = 1
= 4.293,1B
P = 
= = , =10%0 P
= 
73.161
= 0.89
 = 1
= 3.139,2B
P = 
= = , =10%0 P
= 
23.076
= 0.72
 = 1
= 2.370,3B
P = 
= = , =10%0 P
= 
10.702
= 0.54
 = 1
= 0.930,4B
P = 
= = , =10%0 P
= 
2.534
= 0.22
 = 1
2.349-= 5B
P = 
= , =10%0 P, 
= 
= 0.095
= 0.01
 = 1
0.262-= 6B
P = 
== , =10%0 P, 
= 
 0.769
= 0.08
 = 1
= 0.115,7B
P = 
= = , =10%0 P
= 
1.122
= 0.11
?4.2.8. Biến ROA 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu chỉ số ROA của doanh 
nghiệp tăng lên 1, xác suất trả được nợ của doanh 
nghiệp đó là 14% (tăng 4% so với xác suất ban đầu 
là 10%) 
4.2.9. Biến Trình độ quản lý 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu Trình độ của doanh 
nghiệp tăng lên 1 cấp, xác suất trả được nợ của 
doanh nghiệp đó là 76% (tăng 66% so với xác suất 
ban đầu là 10%) 
4.2.10. Biến Số năm hoạt động 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu Số năm hoạt động của 
doanh nghiệp tăng lên 1 năm, xác suất trả được nợ 
của doanh nghiệp đó là 69% (tăng 59% so với xác 
suất ban đầu là 10%) 
4.2.11. Biến Lịch sử tín dụng 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu doanh nghiệp có Lịch sử 
tín dụng không tốt, xác suất trả được nợ của doanh 
nghiệp đó là 9% (giảm 1% so với xác suất ban đầu 
là 10%). 
4.2.12. Biến Quy mô doanh nghiệp 
Nếu xác suất trả được nợ ban đầu là 10%, khi các 
yếu tố khác không đổi, nếu doanh nghiệp có Quy mô 
lớn hơn, xác suất trả được nợ của doanh nghiệp đó 
là 54% (tăng 44% so với xác suất ban đầu là 10%) 
4.3. Xác định mức độ ảnh hưởng của các biến 
độc lập đến biết Trả nợ (Phụ thuộc) 
5. Kết luận 
Rủi ro tín dụng mang lại hậu quả rất lớn cho các 
ngân hàng. Tuy nhiên việc đối mặt với nó là tất yếu 
đối với mọi ngân hàng đặc biệt trong bối cảnh cạnh 
tranh khốc liệt như ngày nay. 
Bài báo đề xuất mô hình cảnh báo rủi ro tín dụng 
trên cơ sở phân tích các yếu tố ảnh hưởng ở cả hai 
khía cạnh là tài chính và phi tài chính, từ đó giúp các 
nhà quản lý ngân hàng có thêm một công cụ để phân 
tích và nhận biết những doanh nghiệp có nguy cơ 
mất khả năng trả nợ, đồng thời mô hình cho biết 
những yếu tố ảnh hưởng mạnh đến rủi ro tín dụng để 
các nhà quản lý có chính sách tập trung phù hợp.u 
Tài liệu tham khảo: 
1. Maddala, GS (1983), Limited dependent and 
qualitative variables ineconometrics, Cambridge 
University Press. 
2. Altman, Edward I (1968), Financial Ratios, 
Discriminant Analysis and the Prediction Of 
Corporate Bankruptcy, Journal of Finance, 23(4): 
589-609. 
3. J.P.Morgan (1997), Introduction to 
CreditMetrics, United States. 
4. Merton, Robert C (1972), On the pricing of 
corporate debt: The risk structure of interest rates, 
Journal of Finance, v29, 449-470. 
5. Hoàng Trọng, Chu Nguyễn Mộng Ngọc 
(2008), Phân tích dữ liệu nghiên cứu với SPSS, Nhà 
xuất bản Hồng Ðức. 
Sè 131/201962
QUẢN TRỊ KINH DOANH
thương mại
khoa học
 = 1
= 0.340,8B
P = 
= = , =10%0 P
= 4
1.405
= 0.1
 = 1
= 3.342,9B
P = 
= = , =10%0 P
= 
28.269
= 0.76
 = 1
= 2.36512B
P = 
== , =10%0 P, 
= 
 10.648
= 0.54
 = 1
= 2.99710B
P = 
== , =10%0 P, 
= 
 20.032
= 0.69
 = 1
2.68-= 11B
P = 
= , =10%0 P5,
= 
= 0.068
= 0.09
6. Donald J. Bowersox, David J. Closs (2001), 
Logistical Management: The Integrated Supply 
Chain Process, Michigan State University, United 
States. 
7. J. Scott Long & Jeremy Freese (2001), 
Regression models for categorical dependent vari-
ables using Stata, A Stata Press Publication. 
Summary 
Due to the actual neccessity, commercial banks 
need an effective credit risk management tool to 
limit risks. The authors has carried out survey, stud-
ied and proposed a set of factors affecting the repay-
ment ability of individual customers and conducted 
surveys. The research uses the data of 210 observa-
tion samples. SPSS software has been used to screen 
out data and the model has been run basing on 
Maddala's Binary logistics regression model pub-
lished in 1984 to find out the impact of each individ-
ual element of customers affecting their repayment 
prospects. The group of authors also specified the 
sequence of influence level of each factor determin-
ing the ability to repay of individual customers, 
thereby helping bank managers have a better visual 
view to make precise borrowing decisions and 
reduce risks. 
63Sè 131/2019
QUẢN TRỊ KINH DOANH
thương mại
khoa học
Mức độ ảnh hưởng của các biến độc lập đến biết Trả nợ
  
 
 
 

    
  
    
     
   
 
   
    
    
    
    
    
STT %,ӂ1 B EXP(B)
;
1
Dă&KӍ Vӕ NKҧ Q QJ WK QK
ҥҳiWR Q QJ Q K Q
4.293 73.161
2
Dă&KӍ Vӕ NKҧ Q QJ WK QK
toán nhanh
3.139 23.076
3 j9zQJ TXD\ K QJ WӗQ NKR 2.370 10.702
ҧD9zQJ TX \ FiF NKR Q
ҩiF VX W
ҫEDQ ÿ X
7ӕF ÿӝ
ăW QJ
(*LҧP)
0ӭ
ҧ
K
F ÿӝ
QK
ӣѭ QJ
1
3
5
6
7
9
10
8
2
4
10
5
%
89 79
72 62
54 44
4
WSKҧL KX
0.930 2.534 22 12
5 +Ӌ Vӕ Qӧ - 2.349 0.095 1 -9
6 jk9ӕQ YD\ QJ Q K QJ - 0.262 0.769 8 -2
7 ROA 0.115 1.122 11 1
8 ROE 0.340 1.405 14 4
9 ҧ7UuQK ÿӝ TX Q Oê 3.342 28.269 76 66
10 /ӏFK Vӱ WtQ GөQJ 2.997 20.032 69 59
11 6ӕ QăP ҥKR W ÿӝQJ - 2.685 0.068 9 -1
12 D4X\ P{ GR QK QJKLӋS 2.365 10.648 54 44