Các nhân tố ảnh hưởng đến khả năng trả nợ của doanh nghiệp niêm yết trên thị trường chứng khoán Việt Nam

Chuyên mục: Tài chính Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 14 (2020) 
82 
CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN KHẢ NĂNG TRẢ NỢ CỦA DOANH NGHIỆP 
NIÊM YẾT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM 
Đỗ Năng Thắng1, Nguyễn Văn Huân2 
Tóm tắt 
Rủi ro tín dụng là loại rủi ro mà mọi ngân hàng thương mại luôn phải đối mặt, đặc biệt trong bối cảnh 
cạnh tranh khốc liệt ở lĩnh vực kinh doanh tiền tệ như ngày nay. Chính vì vậy, việc xây dựng một công cụ 
hữu hiệu, hỗ trợ ngân hàng thương mại trong quá trình cho vay nhằm hạn chế rủi ro là rất cần thiết. Xuất 
phát từ tính cấp thiết đó của tình hình thực tế, bài báo đề xuất mô hình cảnh báo sớm rủi ro tín dụng dựa 
trên sự phân tích các hệ số tài chính. Phương pháp phân tích hồi quy logistic đã được sử dụng để phân 
tích các hệ số tài chính với 152 mẫu quan sát. 
Từ khóa: Mô hình cảnh báo; Rủi ro tín dụng; Mô hình hồi quy; Mô hình xếp hạng; Hệ số phi tài chính; Hệ số 
tài chính; Hồi quy nhị phân. 
ASSESSMENT OF FACTORS AFFECTING LOAN REPAYMENT CAPABILITY 
OF ENTERPRISES LISTED ON VIETNAM STOCK MARKET 
Abstract 
Credit risk is a type of risks that commercial banks always face, especially in the context of increasing 
fierce competition in monetary business sector today. Therefore, it is essential to build an effective tool to 
support banks to limit risks in commercial lending. Based on the urgency of the actual situation, the paper 
proposes a model that warns credit risk early based on the analysis of financial ratios. The logistic 
regression analysis method was used to analyze financial ratios with 152 observations. 
Keywords: Warning model; Credit risk; Logistic model; Ranking model; Financial ratios; Binary 
regression. 
JEL classification: G, G01, G32 
1. Giới thiệu 
Tín dụng là một hoạt động chiếm tỷ trọng lớn 
nhất trong các hoạt động kinh doanh của ngân 
hàng, là mảng hoạt động mang lại những nguồn thu 
lớn nhất cho bất kỳ ngân hàng thương mại nào. Tuy 
nhiên, rủi ro từ hoạt động này mang lại cũng 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. Thế 
giới hiện 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[1]. Mô 
hình điểm số Z của Altman (1977) 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 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[2]. 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 
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[3]. Hay công trình nghiên cứu của Meyer, 
Douglas W (1996) đã sử dụng các phương pháp 
định lượng để hỗ trợ quản lý rủi ro tín dụng[4]. 
Ở Việt Nam hiện nay các Ngân hàng thương 
mại, đặc biệt là ngân hàng thương mại cổ phần tư 
nhân việc xây dựng và ứng dụng các mô hình toán 
học vào quản trị rủi ro tín dụng còn hạn chế, họ 
chủ yếu dựa vào xếp hạng tín dụng để ra quyết 
định cho vay. Xuất phát từ thực tế đó, bài báo đề 
xuất mô hình Cảnh báo rủi ro tín dụng nhằm hỗ 
trợ các ngân hàng thương mại hạn chế được rủi ro 
khi ra quyết định cho vay đối với khách hàng là các 
doanh nghiệp. 
2. Phương pháp nghiên cứu 
2.1. Phương pháp khảo sát và thu thập dữ liệu 
Dữ liệu là các báo cáo tài chính của doanh 
nghiệp được thu thập trong giai đoạn 2013-2019 
để phân tích và chạy thử, sau đó lựa chọn bộ số 
liệu được lấy tại thời điểm 31/12/2019 làm số liệu 
Chuyên mục: Tài chính Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 14 (2020) 
83 
chính thức trong nghiên cứu. Mẫu nghiên cứu 
gồm 152 doanh nghiệp, được chia thành 2 nhóm: 
- Nhóm 1: Các doanh nghiệp có lãi (76 doanh 
nghiệp). 
- Nhóm 2: Các doanh nghiệp không có lãi (76 
doanh nghiệp). 
Bài báo sử dụng dấu hiệu phá sản “Vốn lưu 
động ròng bị âm” theo định nghĩa vỡ nợ của Basel 
2 để phân loại các doanh nghiệp. 
Bảng 1: Thông tin về loại hình doanh nghiệp khảo sát 
Lĩnh vực Số lượng Tỷ trọng (%) 
Sản xuất 75 49,34 
Xây dựng và bất động sản 40 26,32 
Vận tải và kho bãi 14 9,21 
Khác 23 15,13 
Nguồn: Tác giả khảo sát và tổng hợp
2.2. Phương pháp xác định biến cho mô hình 
2.2.1. Biến độc lập 
Dựa vào các công trình nghiên cứu từ trước 
như nghiên cứu của Altman (1968), Ohlson 
(1980),...ban đầu tác giả lựa chọn 34 biến là 34 chỉ 
số tài chính được phân thành 6 nhóm (Nhóm đòn 
bẩy tài chính, nhóm dòng tiền hoạt động, nhóm 
khả năng thanh toán, nhóm khả năng sinh lời, 
nhóm hiệu quả hoạt độ và nhóm chỉ số thị trường) 
có thể ảnh hưởng đến khả năng trả nợ của doanh 
nghiệp. Tác giả sử dụng kích cỡ mẫu gồm 152 
doanh nghiệp. Sau đó, bằng phương pháp loại trừ 
dần (sử dụng kiểm định Wald), có 2 mô hình đáp 
ứng đủ điều kiện: 
Mô hình 1 (Mô hình 5 biến) 
Bảng 2: Thông tin các biến độc lập mô hình 1 
TT Tên biến 
Giả thuyết hướng 
tác động 
Kí hiệu 
1 Hệ số nợ - X1 
2 
Dòng tiền từ hoạt động kinh doanh trên tổng tài 
sản 
- X4 
3 
Dòng tiền từ hoạt động kinh doanh trên Doanh 
thu 
- X6 
4 Dòng tiền từ hoạt động kinh doanh trên tổng nợ + X7 
5 Tài sản ngắn hạn trên tổng tài sản + X8 
Nguồn: Tác giả tổng hợp và quy ước 
Bảng 3: Mô hình 2 (Mô hình 4 biến) - Thông tin các biến độc lập mô hình 2 
TT Tên biến 
Giả thuyết hướng 
tác động 
Kí hiệu 
1 Hệ số nợ - X1 
2 Tài sản ngắn hạn trên Tổng tài sản + X8 
3 Tài sản khả dụng ngắn hạn trên Tổng tài sản + X10 
4 Tài sản khả dụng ngắn hạn trên Nợ ngắn hạn + X11 
Nguồn: Tác giả tổng hợp và quy ước 
2.2.2. Biến phụ thuộc 
Mục tiêu của bài báo đi xác định khả năng trả 
nợ vay của doanh nghiệp (xác suất trả được nợ của 
doanh nghiệp là bao nhiêu phần trăm) nên tác giả 
lựa chọn mô hình hồi quy Binary logistic do 
Maddala công bố năm 1983 để xây dựng mô hình 
[5]. Biến phụ thuộc chỉ nhận hai giá chị có hoặc 
không có khả năng trả nợ. 
Quy ước 
Y: Khả năng trả nợ và Y nhận hai giá trị 1 
hoặc 0 
Y = 1: Nếu khách hàng có khả năng trả nợ 
Y = 0: Nếu khách hàng không có khả năng trả 
nợ 
2.3. Phương pháp đánh giá chất lượng mô hình 
Tác giả đã sử dụng phương pháp MCC để 
đánh giá chất lượng mô hình. 
Hệ số tương quan Mathews là hệ số đánh giá 
độ chất lượng của hệ thống phân loại nhị phân 
(quality of binary calassifications - MCC) được 
xây dựng bởi Brian W. Mathews vào năm 1975. 
Hệ số MCC được coi là một trong các đại lượng 
tốt nhất, không chỉ đánh giá được hệ thống phân 
loại nhị phân mà còn có thể dùng cho hệ thống 
phân loại khác nhau. Công thức MCC như sau: 
Chuyên mục: Tài chính Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 14 (2020) 
84 
MCC= 
TP×TN-FP×FN
√(TP+FP)×(TP+FN)×(TN+FP)×(TN+FN)
Trong đó: 
- TP (True positive): Dương tính thực 
- TN (True negative): Âm tính thực 
- FP (False positive): Dương tính giả 
- FN (False negative): Âm tính giả 
Giá trị MCC nằm trong khoảng từ -1 đến 1; giá 
trị MCC càng gần với 1 thì mô hình càng tốt. 
+ MCC=1: mô hình dự đoán hoàn hảo 
+ MCC=0: mô hình dự đoán ngẫu nhiên 
+ MCC=-1: mô hình dự đoán sai ngược với 
thực tế. 
* Tính MCC cho mô hình logit thứ nhất 
Bảng 4: Kết quả tính MCC của mô hình 1 
Quan sát 
Dự đoán 
Khả năng trả nợ 
Tỷ lệ % chính 
xác Không có khả 
năng trả nợ 
Có khả năng 
trả nợ 
Khả năng trả nợ 
Không có khả năng trả nợ 69 7 90,8 
Có khả năng trả nợ 4 72 94,7 
% tổng thể 92,8 
MCC 0,855930001 
Nguồn: Tính toán của tác giả 
Bảng 5: Kết quả tính MCC của mô hình 2 
Quan sát 
Dự đoán 
Khả năng trả nợ Tỷ lệ % chính xác 
Không có khả 
năng trả nợ 
Có khả năng trả 
nợ 
Khả năng trả 
nợ 
Không có khả năng 
trả nợ 
73 3 96,1 
Có khả năng trả nợ 1 75 98,7 
% tổng thể 97,4 
MCC 0,947697 
Nguồn: Tính toán của tác giả 
* Tính MCC cho mô hình logit thứ hai 
Kết quả từ Bảng 3 và Bảng 4 cho thấy, việc 
áp dụng MCC để kiểm tra mô hình logit 1 và 2 cho 
kết quả khá cao chứng tỏ khả năng cảnh báo rủi ro 
tín dụng của cả 2 mô hình tương đối tốt. Tuy 
nhiên, mô hình 2 cho kết quả MCC lớn hơn mô 
hình 1 nên được đánh giá có chất lượng tốt hơn. 
Bảng 6: Kết quả các biến sau chạy mô hình 
Tên biến B S.E. Wald df Sig. Exp (B) 
Hệ số nợ -10,959 4,307 6,474 1 0,011 0,000 
Tài sản ngắn hạn trên Tổng tài sản 32,653 13,837 5,569 1 0,018 1,517E+14 
Tài sản khả dụng ngắn hạn trên Tổng 
tài sản 
-57,742 23,450 6,063 1 0,008 0,000 
Tài sản khả dụng ngắn hạn trên Nợ 
ngắn hạn 
34,366 12,981 7,009 1 0,020 8,417E+14 
Constant -11,234 4,824 5,423 1 0,065 0,000 
Nguồn: Tính toán của tác giả 
2.4. Phương pháp Kiểm định mô hình 
2.4.1. Kiểm dịnh Wald 
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 Khả năng trả nợ. 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. 
Chuyên mục: Tài chính Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 14 (2020) 
85 
Bảng 7: Kiểm định sự phù hợp của mô hình 
 Chi-square df Sig. 
Step 188,837 4 0,000 
Block 188,837 4 0,000 
Model 188,837 4 0,000 
Nguồn: Tính toán của tác giả 
2.4.2. 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%. 
Bảng 8: Kiểm định mức độ giải thích của mô hình 
Step 
-2 Log 
likelihood 
Cox & Snell R 
Square 
Nagelkerke R Square 
1 21,880 0,711 0,948 
Nguồn: Tính toán của tác giả 
2.4.3. Kiểm định mức độ giải thích của mô hình 
Hệ số mức độ giải thích của mô hình: R2 = 
0,948. Điều này có nghĩa là 94,8% sự thay đổi của 
biến phụ thuộc được giải thích bởi 4 biến độc lập 
trong mô hình, còn lại là do các yếu tố khác. 
Bảng 9: Kiểm định mức độ dự báo tính chính xác của mô hình 
Quan sát 
Dự đoán 
Khả năng trả nợ Tỷ lệ % chính xác 
Không có khả 
năng trả nợ 
Có khả năng 
trả nợ 
Khả năng 
trả nợ 
Không có khả năng trả nợ 73 3 96,1 
Có khả năng trả nợ 1 75 98,7 
% tổng thể 97,4 
Nguồn: Tính toán của tác giả 
2.4.4. Kiểm định mức độ dự báo tính chính xác 
của mô hình 
- Trong 76 trả lời các cá nhân không có khả 
năng trả nợ, mô hình dự báo chính xác là 73, vậy 
tỷ lệ đúng là 96,1%. 
- Trong 76 trả lời các cá nhân có khả năng trả 
được nợ, mô hình dự báo chính xác là 75, vậy tỷ 
lệ đúng là 98,7%. 
Tỷ lệ dự báo đúng của toàn bộ mô hình là 
97,4%. 
2.4.5. 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 10: Kiểm định hiện tượng đa cộng tuyến 
Mô hình 
Hệ số chưa 
chuẩn hóa 
Hệ số đã 
chuẩn 
hóa 
Thống 
kê 
t 
Thống 
kế 
Sig 
Thống kê đa cộng 
tuyến 
B 
Độ 
lệch 
chuẩn 
Beta Tolerance VIF 
(Hằng số) 0,167 0,079 2,118 0,036 
Hệ số nợ -0,019 0,010 -0,121 -1,856 0,065 0,903 1,108 
Tài sản ngắn hạn trên 
Tổng tài sản 
0,622 0,187 0,331 3,326 0,001 0,387 2,586 
Tài sản khả dụng ngắn 
hạn trên Tổng tài sản 
-0,772 0,257 -0,320 -3,007 0,003 0,340 2,944 
Tài sản khả dụng ngắn 
hạn trên Nợ ngắn hạn 
0,340 0,038 0,640 8,912 0,000 0,746 1,341 
Nguồn: Tính toán của tác giả 
Nhìn vào bảng ta thấy Hệ số phóng đại 
phương sai VIF của các biến đều < 3 nên không 
có hiện tượng đa cộng tuyến xảy ra. 
3. Kết quả 
Mô hình đề xuất: Xuất phát từ dạng tổng quát 
của mô hình hồi quy binary logistic: 
Chuyên mục: Tài chính Ngân hàng - TẠP CHÍ KINH TẾ & QUẢN TRỊ KINH DOANH SỐ 14 (2020) 
86 
Ln(odds) = 𝐵0 + 𝐵1𝑋1 + 𝐵2𝑋8 + 𝐵3𝑋10 +
𝐵4𝑋11 
Từ kết quả phân tích hồi quy logistic bảng 6 
ta viết được phương trình tương quan Logistic 
theo hướng kinh tế như sau: 
Loge =[
𝑃𝑖
1−𝑃𝑖
] = -11,234 - 10,959 X1 +32,653 
X8 - 57,742 X10 + 34,366 X11 
Xác suất để Y =1 hay xác suất có khả năng 
trả nợ vay của doanh nghiệp được xác định theo 
công thức sau: 
Pi = E(Y=1/X) = 
e(-11,234 - 10,959X1 + 32,653X8 - 57,742X10 + 34,366X11)
1+e(-11,234 - 10,959X1 + 32,653X8 - 57,742X10 + 34,366X11)
4. Kết luận và kiến nghị 
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. Kết quả 
của bài báo 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 năng trả 
nợ, đồng thời 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. Tuy nhiên việc áp 
dụng mô hình cảnh báo sớm rủi ro tín dụng cần 
lưu ý một số vấn đề sau: 
Một là, Mô hình được xây dựng dựa trên 
phương pháp phân tích hồi quy nhị phân 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 lệ thuộc hoàn toàn vào chất lượng của dữ 
liệu. Do đó, các ngân hàng thương mại cần phải 
đảm bảo tính đúng đắn của các thông tin trên báo 
cáo tài chính do doanh nghiệp cung cấp 
Hai là, khi áp dụng mô hình, các ngân hàng 
cần phải xác định một giá trị ngưỡng t (thông 
thường chọn t=0,5). Tuy nhiên việc lựa chọn giá 
trị t có thể thấp hơn hoặc cao hơn 0,5 điều này còn 
tùy thuộc vào tình hình thị trường, giá trị của các 
yếu tố định tính và nhất là khẩu vị rủi ro của mỗi 
ngân hàng. 
Ba là, khi phân tích 4 chỉ tiêu X1, X8, X10, X11 
nếu có phát hiện bất thường ta cần tìm hiểu rõ lý 
do để biết được nguyên nhân dẫn đến sự tăng hay 
giảm của các chỉ tiêu đó. 
Bốn là, Các ngân hàng thương mại khi áp 
dụng mô hình cần tính toán lại xác suất trả nợ của 
người vay qua từng năm để nắm bắt được sự thay 
đổi tình hình tài chính của công ty từ đó có biện 
pháp xử lý kịp thời. 
Năm là, khi xác suất trả nợ của người vay rơi 
vào khoảng chưa chắc chắn, các ngân hàng cần 
xem xét thêm đến các yếu tố phi tài chính như: 
Lịch sử tín dụng, Quy mô quản lý, Trình độ quản 
lý, Số năm thành lập...để ra quyết định một cách 
an toàn nhất. 
Bài báo là sản phẩm của đề tài khoa học và 
công nghệ cấp cơ sở năm 2020, mã số T2020-07-
08, được tài trợ bởi kinh phí của Trường Đại học 
Công nghệ thông tin và Truyền thông.
TÀI LIỆU THAM KHẢO 
[1]. Merton, Robert C. (1972). On the pricing of corporate debt: The risk structure of interest rates, Journal 
of Finance, v. 29, 449-470. 
[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]. Meyer, Douglas W. “Using Quantitative Methods to Support Credit-Risk Management” Commercial 
Lending Review, Vol. 11 No. 1, (Winter 1995-96), pp. 54-70. 
[5]. Maddala, GS. (1983). Limited dependent and qualitative variables ineconometrics. Cambridge 
University Press. 
[6]. S&P (2018), S&P Global Rating Definitions, https://www.standardandpoors.com /en _ 
US/web/guest/article//view/sourceId/504352, truy cập ngày 17/02/2019. 
Thông tin tác giả: 
1. Đỗ Năng Thắng 
- Đơn vị công tác: Khoa HTTT Kinh tế, Trường Đại học CNTT&TT, 
Đại học Thái Nguyên 
- Địa chỉ email: dnthang@ictu.edu.vn 
2. Nguyễn Văn Huân 
- Đơn vị công tác: Khoa HTTT Kinh tế, Trường Đại học CNTT&TT, 
Đại học Thái Nguyên 
Ngày nhận bài: 23/08/2020 
Ngày nhận bản sửa: 26/09/2020 
Ngày duyệt đăng: 30/09/2020