Mô hình cảnh báo rủi ro tín dụng khách hàng cá nhân cho các ngân hàng thương mại Việt Nam

Chuyên mục: Tài chính - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) 
86 
MÔ HÌNH CẢNH BÁO RỦI RO TÍN DỤNG KH CH HÀNG C NHÂN CHO C C NGÂN 
HÀNG THƢƠNG MẠI VIỆT NAM 
Nguyễn Văn Huân1, Đỗ Năng Thắng2 
T m tắt 
Các nhà kinh t thường gọi Ngân hàng là “ngành inh doanh rủi ro” Thực t đã chứng minh không một 
ngành nào mà khả năng dẫn đ n rủi ro lại lớn như trong lĩnh vực kinh doanh tiền tệ- tín d ng. Ngân 
hàng phải gánh chịu những rủi ro không những do nguyên nhân chủ quan của mình, mà còn phải gánh 
chịu những rủi ro khách hàng gây ra. Vì vậy “rủi ro tín d ng của Ngân hàng không những là c p s 
cộng mà có thể là c p s nhân rủi ro của nền kinh t ”. Với vai trò quan trọng như vậy bài báo đề xu t 
một mô hình cảnh báo rủi ro tín d ng nh m ước tính xác su t vỡ nợ của các khách hàng cá nhân giúp 
cá ngân hàng thư ng mại có thể giảm thiểu được rủi ro tín d ng. 
Từ khóa: Mô hình cảnh báo, rủi ro tín d ng, mô hình logistics, hách hàng cá nhân 
MODEL OF CREDIT RISK WARNING FOR INDIVIDUAL CUSTOMERS FOR 
COMMERCIAL BANKS IN VIETNAM 
Abstract 
Economists often refer the bank as "a risky business". There is a proved fact that no business may get 
involved in higher risks than the credit-money business. The bank has to bear not only the risk caused by 
itself but also the risks from its customers. Thus, "the bank's credit risk may not be an accumulated but a 
multiplied source of risks for the whole economy". Addressing a critical issue, this paper proposes a 
model of credit risk warning for individual customers to help commercial banks to minimize credit risks. 
Key words: Warning model, credit risk, logistics model, individual customer 
1. Giới thiệu 
Cuộc khủng hoảng tài chính châu n m 
1997 và cuộc khủng hoảng toàn c u n m 2008 đã 
nhen nhóm lại các nguyên nhân và triệu chứng 
của cuộc khủng hoảng tài chính tiềm n ng. Nếu 
những triệu chứng này có thể được phát hiện 
trước, chính phủ có thể áp dụng các biện pháp 
phòng ngừa để ng n chặn cuộc khủng hoảng 
hoặc ít nhất là để giảm thiểu tác động bất lợi của 
khủng hoảng đối với nền kinh tế trong nước. Việt 
Nam đang thực hiện cam kết mở cửa thị trường 
trong lĩnh vực tài chính - ngân hàng, thực tế hội 
nhập trong khu vực và trên thế giới mang lại cơ 
hội cho các ngân hàng Việt Nam đồng thời cũng 
phát sinh nhiều thách thức và rủi ro ở mức cao 
hơn. Các yếu tố rủi ro trong lĩnh vực kinh doanh 
ngân hàng ngày càng trở nên phức tạp và c n có 
giải pháp phòng ngừa kịp thời. Việc xây dựng hệ 
thống cảnh báo sớm là rất c n thiết đặc biệt trong 
bối cảnh hội nhập quốc tế ngày càng sâu, rộng. 
Hiện nay trên thế giới đã có một số công trình 
tiêu biểu về cảnh báo rủi ro tín dụng như mô hình 
Merton (1974) có vai trò mang tính khai sáng 
trong quản trị rủi ro tín dụng như là vài trò của 
mô hình Black-Scholes trong định giá quyền 
chọn [6]. Tuy nhiên hạn chế của mô hình dựa 
trên giả định doanh nghiệp chỉ có một khoản nợ 
duy nhất và trả nợ tại một thời điểm duy nhất. 
Mô hình điểm số Z do E.I.Altman khởi tạo n m 
1977 và thông thường được sử dụng xếp hạng tín 
nhiệm đối với các doanh nghiệp. Mô hình này 
d ng để đo xác suất vỡ nợ của khách hàng thông 
qua các đặc điểm cơ bản của khách hàng. Đại 
lượng Z là thước đo tổng hợp để phân loại rủi ro 
đối với người vay và phụ thuộc vào các yếu tố tài 
chính của người vay. Mô hình CreditMetrics, 
được JP Morgan giới thiệu vào n m 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 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 
Chuyên mục: Tài chính - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) 
87 
phép xác định cả xác suất vỡ nợ và xác suất suy 
giảm tín dụng [1]. Ở Việt Nam có một số công 
trình như công trình của tác giả Lê V n Tuấn 
n m 2016 ―Khám phá sự thú vị của ph n mềm R 
trong định lượng rủi ro tín dụng‖ trong nghiên 
cứu tác giả đã nghiên cứu và ứng dụng mô hình 
KMV vào cảnh báo rủi ro tín dụng [2] hay công 
trình nghiên cứu thứ 2 của tác giả Lê V n Tuấn 
―Ứng dụng mô hình Merton trong giảng dạy rủi 
ro tín dụng và định giá trái phiếu cho sinh viên 
ngành tài chính‖ công trình nghiên cứu này đã 
làm rõ mô hình Merton và ứng dụng trong cảnh 
báo rủi ro tín dụng tại các ngân hàng thương mại 
ở Việt Nam [3]. Công trình nghiên cứu Nguyễn 
Phi Lân ―Mô hình cảnh báo sớm và chính sách 
hướng tới ổn định kinh tế vĩ mô‖. Theo tác giả 
việc cảnh báo sớm rủi ro kinh tế vĩ mô và khủng 
hoảng tiền tệ được tác giả xây dựng dựa trên mô 
hình cảnh báo sớm (EWS) tham số [4]. Tuy 
nhiên các mô hình trên đều khá phức tạp và khó 
áp dụng phù hợp với tình hình thực tế tại các 
ngân hàng thương mại ở Việt Nam. Xuất phát từ 
nhu c u đó, nhóm tác giả đã đi khảo sát, nghiên 
cứu và đề xuất bộ các yếu tố tác động đến khả 
n ng trả nợ của khác hàng và tiến hành khảo sát. 
Đề tài sử dụng bộ dữ liệu gồm 240 mẫu quan sát. 
Sử dụng ph n mềm SPSS làm sạch dữ liệu và 
chạy mô hình dựa trên lý thuyết hồi quy Binary 
logistics của Maddala xuất bản n m 1983 để tìm 
ra tác động của từng yếu tố riêng biệt của khách 
hàng ảnh hưởng đến khả n ng trả nợ của họ như 
thế nào [5]. Nhóm tác giả cũng chỉ rõ thứ tự mức 
độ ảnh hưởng của từng nhân tố quyết định đến 
khả n ng 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. 
2. Phƣơng pháp nghiên cứu 
2.1. ô hình l thuyết – mô hình Logistics 
Mô hình Logistic (Maddala, 1983) [5] 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 
đượcứng 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 n ngkhách 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. 
Bảng 1: Mô tả bi n ph thuộc và độc lập 
Biến Ký hiệu Loại 
Phụ thuộc Y Nhị phân 
Độc lập X Liên tục hoặc rời rạc 
Y là biến nhị phân chỉ có thể nhận một 
trong hai giá trị 0 hoặc 1 
Y = 0: Khách hàng không có khả n ng trả nợ 
Y = 1: Khách hàng có khả n ng trả nợ 
Xác suất để Y = 0 là P 
Xác suất để Y = 1: 1 - P 
Có 2 loại hồi quy logit: 
Hồi quy logit đơn biến: 
0 1
0 1 0 1( )
1
1 1
X
X X
e
p
e e
 
   
Trong đó:p là xác suất để Y = 1. 
Suy ra: 
0 1
1
1
1
X
p
e
  
Odds của sự kiện xảy ra: 
0 1
0 1
0 1( )
1
1 1
X
X
X
p e
Odds e
p e
 
 
 
0 1
0 1( ) ( ) ln( )
1
Xp
Ln Odds Ln e X
p
    
Hay : 
0 1( )Logit Ln Odds X  
Xem xét sự thay đổi của Odds khi biến 
độc lập (biến giải thích) X gia t ng thêm 1 đơn 
vị (từ X lên X +1). Chúng ta có: 
1
1
1 0 1 1
2 1
1 0 1 1 1
2
2 1
1 1
( )
1 ( ) ( 1) ( )
( ) ( ) ( )
Khi X X Ln Odds X
Khi X X Ln Odds X Ln Odds
Odds
Ln Odds Ln Odds Ln LnOR
Odds
OR e

 
  

  
Chuyên mục: Tài chính - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) 
88 
Ý nghĩa: Gia t ng 1 đơn vị của biến độc lập 
thì Odds
2
 bằng 1e

l n so với Odds1. Nếu 
1 1e
 (hay β1> 0) thì Odds
2
 t ng gấp 1e

l n 
Odds
1
 (Odds
2
 = 1e

*Odds
1) và ngược lại nếu 
1 1e
 (hay β1< 0) thì Odds
2
 giảm 1e

l n 
Odds
1
. 
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 (Multiple 
logistic regression) thì: 
Logit = Ln(Odds) = β0 + β1X1 + + βkXk 
Hình 1 Mô hình các y u t tác động đ n khả năng trả nợ của hách hàng cá nhân 
2.2. ô hình nghiên cứu đánh giá rủi ro tín 
dụng đối với hách hàng cá nhân 
Bi n ph thuộc 
Y: Trả nợ 
Y = 1: Nếu khách hàng có khả n ng trả nợ 
Y = 0: Nếu khách hàng không có khả n ng 
trả nợ 
Bi n động lập
Bảng 2: Thông tin các bi n độc lập 
STT Tên biến Thang đo đơn vị đo 
Dấu ỳ 
vọng 
Kí hiệu 
biến quan 
sát 
1 Thu nhập hàng tháng Triệu đồng + X1 
2 Chức vụ công việc 
1: Lãnh đạo 
0: Nhân viên 
+ X2 
3 Đặc điểm công việc 
1: Ổn định 
0: Không ổn định 
+ X3 
4 Giá trị tài sản đảm bảo trên tổng nợ % + X4 
5 Thời gian vay Tháng - X5 
6 Mục đích sử dụng vốn 
1: Mua nhà đất 
2: Mua xe hơi 
3: Mục đích khác 
+ X6 
7 Trình độ 
1: Từ đại học trở lên 
0: Dưới đại học 
+ X7 
8 Số người phụ thuộc Người - X8 
Khả n ng TRẢ NỢ 
CHỨC VỤ 
CÔNGVIỆC 
ĐẶC ĐIỂM CÔNG 
VIỆC 
TSĐ /TỔNG NỢ 
THỜI GIAN 
VAY VỐN 
MỤC ĐÍCH SỬ 
DỤNGVỐN 
TRÌNH ĐỘ SỐ NGƯỜI 
PHỤTHUỘC 
THU NHẬP 
Chuyên mục: Tài chính - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) 
89 
Phư ng trình hồi quy logistic tổng quát có 
dạng: 
Ln(odds) = + + + 
 + + 
2.3. guồn số liệu 
 ài báo sử dụng bộ dữ liệu điều tra từ 240 
mẫu quan sát được thu thập thông qua bảng hỏi 
và gửi tới các khách hàng cá nhân, người đã có 
hợp đồng vay vốn với ngân hàng. Nghiên cứu sử 
dụng ph n mềm SPSS phiên bản 18 để 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 
n ng trả nợ của họ như thế nào. 
3. Kết quả nghiên cứu và thảo luận 
3.1. Hệ thống kiểm định mô hình 
Kiểm dịnh Wald 
Thực hiện phân tích hồi quy Binary logistics 
bằng SPSS ( Sig <0.05), ta được kết quả như sau:
Bảng 3: Kiểm định ý nghĩa th ng của các hệ s hàm hồi quy 
Tên biến B S.E. Wald df Sig. Exp(B) 
Thu_nhập_hàng_tháng ,489 ,222 4,853 1 ,028 1,631 
Chức_vụ_công_việc 2,557 1,175 4,738 1 ,029 12,899 
Đặc_điểm_công_việc 2,431 ,871 7,797 1 ,005 11,367 
Giá_trị_tsđb_trên_tổng_nợ 3,357 1,190 7,958 1 ,005 28,708 
Thời_gian_vay -,075 ,029 6,769 1 ,009 ,928 
Mục_đích_sử_dụng_vốn 1,106 ,528 4,387 1 ,036 3,023 
Trình_độ 2,663 ,986 7,297 1 ,007 14,342 
Số_người_phụ_thuộc -1,132 ,559 4,100 1 ,043 ,322 
Constant -6,727 2,968 5,139 1 ,023 ,001 
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 đ u 
Kiểm định mức độ phù hợp và giải thích 
của mô hình 
Bảng 4: Kiểm định sự phù hợp của mô hình 
 Chi-square df Sig, 
Step 245,987 8 ,000 
Block 245,987 8 ,000 
Model 245,987 8 ,000 
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% 
Bảng 5: Kiểm định mức độ giải thích của mô hình 
Step 
-2 Log 
likelihood 
Cox & Snell R Square Nagelkerke R Square 
1 56,692
a 
,641 ,895 
Hệ số mức độ giải thích của mô hình: R2 
Nagelkerke = 0,895, Điều này có nghĩa là 89,5% 
sự thay đổi của biến phụ thuộc được giải thích 
bởi 8 biến độc lập trong mô hình, còn lại là do 
các yếu tố khác. 
Chuyên mục: Tài chính - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) 
90 
3.2. Phân tích kết quả hồi quy 
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) = -6,727 + 0,489* X1 + 2,557* 
X2 + 2,431* X3 + 3,357* X4 - 0,075* X5 + 
1,106* X6 + 2,663* X7 - 1,132* X8 
Bảng 6: Mức độ ảnh hư ng của các bi n độc lập đ n hả năng trả nợ 
Các biến quan sát B 
Tác động 
biên của 
các biến 
độc lập 
Xác suất ban 
đầu 
Tốc độ 
tăng (giảm 
% 
Xếp hạng 
mức độ 
ảnh hƣởng 
Thu_nhập_hàng_tháng 0,489 1,631 15,34 5,34 6 
Chức_vụ_công_việc 2,557 12,899 58,9 48,9 2 
Đặc_điểm_công_việc 2,431 11,367 55,81 45,81 3 
Giá_trị_tsđb_trên_tổng_nợ 3,357 28,708 76,13 66,13 1 
Thời_gian_vay -0,075 0,928 9,35 -0,65 8 
Mục_đích_sử_dụng_vốn 1,106 3,023 25,14 15,14 5 
Trình_độ 2,663 11,342 55,76 45,76 4 
Số_người_phụ_thuộc -1,132 0,322 3,45 -6,55 7 
Tác động của biến Thu_nhập_hàng_tháng 
B1= 0,489, P0 =10%, = = 1,631 
P1 = 
 ( )
 = 
 ( )
 = 
 = 
0,1534 
Nếu xác suất trả được nợ ban đ u là 10%, 
khi các yếu tố khác không đổi, nếu thu nhập 
hàng tháng của cá nhân người đi vay t ng lên 1 
triệu đồng, xác suất trả được nợ của cá nhân đó 
là 15,34% (t ng lên 5,34% so với xác suất ban 
đ u là 10%) 
Tác động của biến Chức_vụ_công_việc 
B2= 2,557, P0 =10%, = = 12,899 
P1 = 
 ( 
 )
 = 
 ( )
 = 
 = 
0,589 
Nếu xác suất trả được nợ ban đ u là 10%, 
khi các yếu tố khác không đổi, nếu cá nhân vay 
vốn có chức vụ công việc, xác suất trả được nợ 
của cá nhân đó là 58,9% (t ng lên 48,9% so với 
xác suất ban đ u là 10%) 
Tác động của biến Đặc_điểm_công_việc 
B3= 2,431, P0 =10%, = = 11,367 
P1 = 
 ( 
 )
 = 
 ( )
 = 
 = 
0,5581 
Nếu xác suất trả được nợ ban đ u là 10%, 
khi các yếu tố khác không đổi, nếu cá nhân 
người đi vay có công việc ổn định, xác suất trả 
được nợ của cá nhân đó là 55,81% (t ng lên 
45,81% so với xác suất ban đ u là 10%) 
 Tác động của biến Giá_trị_TSĐB_trên_tổng_nợ 
B4= 3,357, P0 =10%, = = 28,708 
P1 = 
 ( )
 = 
 ( )
 = 
 = 
0,7613 
Nếu xác suất trả được nợ ban đ u là 10%, 
khi các yếu tố khác không đổi, nếu Tỷ lệ giá trị 
TSĐ trên tổng nợ t ng lên 1, xác suất trả được 
nợ của cá nhân đó là 76,13% (t ng lên 66,13% so 
với xác suất ban đ u là 10%) 
Tác động của biến Thời_gian_vay 
B5= -0,075, P0 =10%, = = 0,928 
P1 = 
 ( 
 )
 = 
 ( )
 = 
 = 
0,0935 
Nếu xác suất trả được nợ ban đ u là 10%, 
khi các yếu tố khác không đổi, nếu thời hạn vay 
vốn của cá nhân người đi vay t ng thêm 1 tháng, 
xác suất trả được nợ của cá nhân đó là 9,35% 
(giảm 0,65% so với xác suất ban đ u là 10%) 
 Tác động của biến Mục_đích_sử_dụng_vốn 
B6= 1,106, P0 =10%, = = 3,023 
P1 = 
 ( 
 )
 = 
 ( )
 = 
 = 
0,2514 
Chuyên mục: Tài chính - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) 
91 
Nếu xác suất trả được nợ ban đ u là 10%, 
khi các yếu tố khác không đổi, nếu cá nhân 
người đi vay có mục đích sử dụng vốn, xác suất 
trả được nợ của cá nhân đó là 25,14% (t ng lên 
15,14% so với xác suất ban đ u là 10%) 
Tác động của biến Trình_độ 
B7= 2,663, P0 =10%, = = 11,342 
P1 = 
 ( 
 )
 ( )
0,5581 
Nếu xác suất trả được nợ ban đ u là 10%, 
khi các yếu tố khác không đổi, nếu cá nhân 
người đi vay có trình độ Đại học trở lên, xác suất 
trả được nợ của cá nhân đó là 55,76% (t ng lên 
45,76% so với xác suất ban đ u là 10%) 
Tác động của biến Số_ngƣời_phụ_thuộc 
B8= -1,132, P0 =10%, = = 0,322 
P1 = 
 ( 
 )
 = 
 ( )
 = 
 = 
0,0345 
Nếu xác suất trả được nợ ban đ u là 10%, 
khi các yếu tố khác không đổi, nếu cá nhân 
người đi vay có số người phụ thuộc t ng thêm 1, 
xác suất trả được nợ của cá nhân đó là 3,45% 
(giảm 6,55% so với xác suất ban đ u là 10%) 
 ng dụng ết quả nghiên cứu trong dự 
báo hả năng trả nợ của hách hàng 
Bảng : Dự báo hả năng trả nợ của hách hàng cá nhân 
Observed 
Predicted 
KHẢ_N NG_TRẢ_N 
Percentage 
Correct Không có khả 
năng trả nợ 
Có khả năng 
trả nợ 
Step 1 
Khả_n ng_trả_nợ 
Không có khả 
n ng trả nợ 
73 5 93,6 
 Có khả n ng 
trả nợ 
5 157 96,9 
Overall Percentage 95,8 
- Trong 78 trả lời các cá nhân không có khả 
n ng trả nợ, mô hình dự báo chính xác là 73, vậy 
tỷ lệ đ ng là 93,6% 
- Trong 162 trả lời các cá nhân có khả n ng 
trả được nợ, mô hình dự báo chính xác là 157, 
vậy tỷ lệ đ ng là 96,9% 
- Tỷ lệ dự báo đ ng của toàn bộ mô hình là 
95,8%. 
4. 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. 
Mô hình Logistic có thể giúp các nhà quản 
lý ngân hàng có thêm một công cụ để phân tích 
và nhận biết những khách hàng có nguy cơ mất 
khả n ng 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. 
TÀI LIỆU THAM KHẢO 
[1]. Nguyễn Phi Lân. (2011). Mô hình cảnh báo sớm và chính sách hướng tới ổn định kinh tế vĩ mô, Ngân hàng 
Nhà nước Việt Nam, số 2 - 3, 7 - 32. 
[2]. Maddala, GS. (1983). Limited dependent and qualitative variables ineconometrics. Cambridge 
University Press. 
[3]. Merton, Robert C. (1972). On the pricing of corporate debt: The risk structure of interest rates, 
Journal of Finance, v. 29, 449 - 470, 
[4]. J,P,Morgan. (1997). Introduction to CreditMetrics. United States. 
Chuyên mục: Tài chính - Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 06 (2018) 
92 
[5] Lê V n Tuấn. (2008). Khám phá sự thú vị của phần mềm R trong định lượng rủi ro tín d ng. Đại học 
Thương Mại, 
[6]. Lê V n Tuấn. (2016). Ứng d ng mô hình Merton trong giảng dạy rủi ro tín d ng và định giá trái 
phi u cho sinh viên ngành tài chính. Đại học Thương Mại. 
Thông tin tác giả: 
1. Nguyễn Văn Huân 
- Đơn vị công tác: Khoa HTTT Kinh tế - Trường ĐH Công Nghệ TT&TT, 
Đại học Thái Nguyên 
- Địa chỉ email: nvhuan@ictu.edu.vn 
2. Đỗ Năng Thắng 
- Đơn vị công tác: Khoa HTTT Kinh tế - Trường ĐH Công Nghệ TT&TT, 
Đại học Thái Nguyên 
- Địa chỉ email: donangthang72@gmail.com 
Ngày nhận bài: 08/06/2018 
Ngày nhận bản sửa: 19/06/2018 
Ngày duyệt đ ng: 29/06/2018