Luận án Xây dựng mô hình cảnh báo nguy cơ vỡ nợ đối với các ngân hàng thương mại cổ phần Việt Nam

hàng mà NHNN xếp loại yếu kém, mô hình LA đã phân nhóm đúng 3 ngân hàng. Năm 2012, trong 5 ngân hàng mà NHNN xếp loại yếu kém, mô hình LA đã phân loại đúng 4 ngân hàng. Ngân hàng có mã 3 năm 2012 có kết quả xếp loại theo mô hình LA là 3, trong khi đó xếp loại của NHNN là 4. Từ kết quả xếp loại theo mô hình Logit đã xây dựng và xếp loại trên thực tế của NHNN tác giả tổng kết một số kết quả sau: Bảng 5.7: Bảng so sánh kết quả xếp loại Năm Tỷ lệ xếp loại trùng nhau Tỷ lệ xếp loại sai lệch 1 mức Tỷ lệ xếp loại nhóm 4 trùng nhau Năm 2011 57.14% 17.14% 75% Năm 2012 54.28% 14.28% 80% Nguồn: Tính toán của tác giả Như vậy, kết quả xếp loại của tác giả trong luận án khá tương đồng với kết quả xếp loại của NHNN. Với các năm 2013, 2014 căn cứ vào tiêu chuẩn xếp loại trong bảng 5.6 tác giả có kết quả xếp loại các ngân hàng trình bày trong phụ lục 12. 5.3. Một số kiến nghị và hàm ý chính sách Nền kinh tế phát triển tạo thuận lợi cho hoạt động kinh doanh của ngân hàng, song ngân hàng cũng phải đối mặt với nhiều thách thức hơn. Việc xác định các loại 121 rủi ro mà hệ thống ngân hàng phải đối mặt có ý nghĩa rất quan trọng đối với nền kinh tế một quốc gia, đặc biệt là đối với một nước đang phát triển như Việt Nam. Nhận diện được rủi ro giúp ngân hàng kiểm soát được mức độ rủi ro và hạn chế những hậu quả do rủi ro gây ra. Một trong những việc quan trọng trong việc kiểm soát rủi ro là ước tính được rủi ro vỡ nợ của ngân hàng. Do đó việc xây dựng thành công mô hình cảnh báo sớm nguy cơ vỡ nợ cho các NHTMCP Việt Nam có ý nghĩa cả về lý luận và thực tiễn. Tác giả sau khi xây dựng và thực nghiệm một số mô hình cảnh báo vỡ nợ cho hệ thống NHTMCP Việt Nam xin đề xuất một số kiến nghị. a) Kiến nghị đối với các ngân hàng thương mại: + Lợi nhuận giúp bù đắp các khoản cho vay bị tổn thất và giúp trích lập dự phòng đầy đủ. Các ngân hàng cần cải thiện khả năng sinh lời, khả năng sinh lời của ngân hàng được thể hiện ở nhiều chỉ tiêu, tuy nhiên trong mô hình dự báo chỉ có biến e11 có đóng góp trong dự báo nguy cơ vỡ nợ, hệ số của biến e11 trong mô hình là -2.014 nhỏ hơn 0, e11 có ảnh hưởng ngược chiều tới mức nguy cơ vỡ nợ. Theo mô hình nếu biến e11 tăng 1% trong khi các biến khác không đổi thì tỷ lệ Odds giảm 7.5 lần. Vì vậy để ngăn ngừa, giảm nguy cơ vỡ nợ ngân hàng thì các giải pháp tập trung vào cải thiện chỉ tiêu e11. Các ngân hàng thương mại nên thực hiện một số biện pháp nhằm gia tăng lãi cận biên của ngân hàng như: tăng cường quảng bá hình ảnh, mở rộng thị phần, thu hút các nguồn tiền gửi giá rẻ, đồng thời tăng cường mở rộng tín dụng, tìm kiếm các khách hàng tiềm năng. Do việc tính chỉ tiêu e11 từ chênh lệch thu từ lãi cho vay và chi trả lãi vay tiền, nên các ngân hàng cũng phải hạn chế nợ quá hạn. Theo nhiều tác giả thì tỷ lệ NIM là một yếu tố quan trọng tác động đến hệ số CAR (Aktas và cộng sự), việc thu nhập lãi ròng cao sẽ giúp các cổ đông của ngân hàng có lợi nhuận và từ đó gia tăng được vốn chủ hữu nhằm chống lại rủi ro phá sản cho ngân hàng. + Chỉ số nợ quá hạn/ tổng nợ phải trả có hệ số trong mô hình bằng 1.03 lớn hơn không, do đó d3 ảnh hưởng cùng chiều tới mức nguy cơ vỡ nợ của ngân hàng. Nếu biến d3 tăng 1% trong khi các biến khác không đổi thì tỷ lệ Odds tăng 2.81 lần.Trước tiên việc đánh giá, phân nhóm chính xác các khoản cho vay cần phải được các bộ phận chuyên trách của ngân hàng xem như một nhiệm vụ quan trọng bậc nhất có như thế mới phản ánh chính xác quy mô, mức độ của nợ quá hạn. Ngân hàng cần nhận thức việc làm đẹp báo cáo để che giấu, đối phó với các cơ quan thanh tra giám sát, các cổ đông, các nhà đầu tư chỉ làm trầm trọng các vấn đề nội tại. Sau khi đã xác định được 122 mức độ nợ quá hạn các ngân hàng cần chú trọng giảm nợ quá hạn, đặc biệt là nợ xấu càng sớm càng tốt: trước hết cần tìm kiếm các nguồn tài chính hỗ trợ trích lập dự phòng đầy đủ để có thể bù đắp những tổn thất có thể xảy ra. Sau đó xem xét bán các khoản nợ xấu cho doanh nghiệp, tổ chức, cá nhân có đủ khả năng, quyền lực xử lý nợ. Mặt khác các ngân hàng cần tiến hành các biện pháp nhằm hạn chế các khoản nợ quá hạn mới phát sinh ngay từ khâu xét duyệt cho vay. Nợ quá hạn bao gồm cả các khoản nợ nhóm 2 do đó các ngân hàng cần theo dõi chặt chẽ ngay các khoản nợ nhóm 2, hạn chế nguy cơ chuyển nhóm nợ xấu. Về lâu dài các ngân hàng cần tập trung xây dựng và hoàn thiện hệ thống cảnh báo sớm rủi ro tín dụng, nợ xấu, các ngân hàng cần định kỳ đánh giá lại xếp hạng tín dụng của khách hàng, cần phân tích khả năng trả nợ gốc và lãi theo cam kết của hợp đồng tín dụng, chú trọng đến các vi phạm hợp đồng để đánh giá sự thay đổi của nhóm nợ. + Biến các khoản cho vay thuần/ tiền gửi khách hàng có hệ số là 3.08 lớn hơn 0, l3 ảnh hưởng cùng chiều tới mức nguy cơ vỡ nợ. Nếu biến l3 tăng 1% trong khi các biến khác không đổi thì tỷ lệ odds tăng 1.03 lần. Các ngân hàng nên xem xét một cách toàn diện các nguyên nhân dẫn tới việc tỷ lệ cho vay thuần so với tiền gửi của khách hàng cao từ đó có các biện pháp giảm chỉ tiêu này. Giá trị trung bình của chỉ tiêu này hiện đang là 0.9, nếu ngân hàng có giá trị chỉ tiêu này lớn hơn 0.9 cần hạn chế tốc độ tăng trưởng tín dụng đồng thời cố gắng duy trì hoặc tăng mức huy động tiền gửi của khách hàng. + Kết quả mô hình cho thấy hệ số của biến RGDP trong mô hình là -1.29 nhỏ hơn 0, RGDP có tác động ngược chiều tới nguy cơ vỡ nợ các ngân hàng. Điều này gợi ý cho các cơ quan quản lý cũng như nhà quản trị ngân hàng có những chính sách phù hợp khi điều kiện kinh tế vĩ mô thể hiện qua tốc độ tăng trưởng GDP thay đổi, cụ thể nếu tốc độ tăng trưởng GDP có dấu hiệu suy giảm các ngân hàng cần tập trung đảm bảo an toàn cho hoạt động ngân hàng vì lúc này nguy cơ vỡ nợ đã tăng lên do tác động của yếu tố vĩ mô, các ngân hàng nên cải thiện hệ số an toàn vốn, giảm dư nợ cho vay, chú trọng thanh khoản như một biện pháp phòng vệ. Nghiên cứu cũng đã lượng hóa được mức độ ảnh hưởng của sự thay đổi RGDP tới nguy cơ vỡ nợ các NHTMCP, cụ thể nếu GDP giảm 1% thì tỷ lệ p/(1-p) tăng lên 3.65 lần, các NHTMCP với những chỉ tiêu của ngân hàng mình có thể tính chi tiết hơn xác suất vỡ nợ khi kịch bản giảm 1% GDP xảy ra, từ đó có những chính sách phù hợp cho NH mình. 123 + Cũng từ thực tế thu thập dữ liệu, xây dựng mô hình tác giả nhận thấy để kết quả ước lượng mô hình có độ tin cậy cao, có ý nghĩa thì các dữ liệu đầu vào phải được thu thập chính xác, đầy đủ, các NHTMCP cần có biện pháp để hoàn thiện hệ thống thông tin nội bộ, đảm bảo yêu cầu thông tin được cập nhật một cách chính xác, kịp thời. Hệ thống công nghệ thông tin của các ngân hàng cần được nâng cấp, điều đó đảm bảo cho các ngân hàng lưu trữ số liệu, cũng như số liệu được chuẩn xác phục vụ cho mục đích phân tích, quản trị rủi ro. + Bốn ngân hàng có mã là 22, 14, 19, 7 theo tính toán của tác giả có hệ số chặn lớn: α = 22 10.265 ,α = 14 9.879 , α = 19 8.206 , α = 7 8.135 , hàm chứa rủi ro vỡ nợ cao hơn cần phải được xem xét một cách toàn diện để từ đó tìm ra các giải pháp cụ thể, phù hợp giúp các ngân hàng giảm nguy cơ vỡ nợ. Các ngân hàng với mã 10, 21, 6 có hệ số chặn α = 10 3.189 , α = 21 2.73 , α = − 6 0.982 nhỏ nhất hàm chứa nguy cơ vỡ nợ thấp hơn trong cùng điều kiện của các biến số. + Hệ thống các chỉ tiêu cảnh báo vỡ nợ trong luận án được xây dựng trên cơ sở các chỉ tiêu của mô hình CAMELS, các chỉ tiêu này giúp đánh giá toàn diện hoạt động, xác định mức nguy cơ vỡ nợ của ngân hàng, theo tác giả các NHTMCP Việt Nam nên xây dựng và hoàn thiện các BCTC trên cơ sở mô hình CAMELS. Thứ nhất, mô hình CAMELS sẽ giúp các ngân hàng quản trị tốt rủi ro. Thứ hai, các nhà quản trị ngân hàng dễ dàng so sánh, đánh giá, kiểm tra các NHTM khi các ngân hàng thống nhất các chỉ tiêu đánh giá theo thông lệ quốc tế. b) Các kiến nghị đối với các cơ quan quản lý: NHNN là cơ quan quản lý Nhà nước về ngành ngân hàng, với mục tiêu giám sát hoạt động của các ngân hàng hướng tới sự ổn định, lành mạnh của hệ thống. Từ kết quả xây dựng mô hình cảnh báo nguy cơ vỡ nợ các NHTMCP, luận án đề xuất một số khuyến nghị với các cơ quan quản lý, NHNN: + Theo kết quả mô hình Logit biến RGDP, tốc độ tăng trưởng tổng thu nhập quốc dân có ảnh hưởng ngược chiều tới nguy cơ vỡ nợ các ngân hàng. Khi tăng trưởng kinh tế ổn định sẽ tạo điều kiện thuận lợi cho các ngân hàng hoạt động, tăng thu nhập, giảm nguy cơ vỡ nợ, do đó Chính phủ nên cố gắng duy trì tốc độ tăng trưởng kinh tế hàng năm, khi nền kinh tế suy giảm tốc độ tăng trưởng cần chú ý hơn đến sự an toàn của hệ thống ngân hàng vì các ngân hàng sẽ bị tăng nguy cơ vỡ nợ từ sự suy giảm của nền kinh tế. Với vai trò giám sát của mình NHNN cần xây dựng các kịch bản về tăng 124 trưởng kinh tế hàng năm, từ đó xác định các NH có thể bị vỡ nợ trong các kịch bản để cảnh báo, giám sát sớm. + Nhà nước và Chính phủ Việt Nam bên cạnh việc tạo điều kiện thuận lợi về môi trường hoạt động kinh doanh cho các NHTM trong nước cần có những hỗ trợ pháp lý, cải cách hành chính. Các chính sách tiền tệ đưa ra cần tính đến các tác động đối với các NHTMCP, đặc biệt là các NHTMCP yếu kém. Hiện nay giải quyết nợ xấu là một yêu cầu cấp bách, quan trọng nhằm giảm nguy cơ vỡ nợ các NHTMCP. Bên cạnh các cố gắng của bản thân các NHTM để việc thu hồi xử lý nợ xấu được nhanh hơn giúp cho các TCTD giảm thiểu chi phí giao dịch, thời gian giao dịch, Chính phủ cần sớm hoàn thiện quy trình xử lý tài sản đảm bảo, rút ngắn thời gian giải quyết hồ sơ xử lý tài sản đảm bảo. Chẳng hạn ngay khi khoản nợ chuyển sang nhóm 3 thì ngân hàng có thể triển khai một số thủ tục thanh lý đối với tài sản đảm bảo. Đối với các khoản nợ xấu của các doanh nghiệp mà ngân hàng không chuyển giao được cho Công ty mua bán nợ và tổ chức cá nhân khác thì Chính phủ cần có cơ chế để ngân hàng có thể chủ động áp dụng các biện pháp tham gia cơ cấu lại tài chính và hoạt động doanh nghiệp, có thể cho phép ngân hàng được tham gia vào quá trình cơ cấu lại doanh nghiệp, cho phép chuyển nợ thành vốn góp cổ phần và tham gia điều hành doanh nghiệp. Chính phủ cũng nên xem xét đưa ra các chính sách để có thể huy động nhiều nguồn lực hơn nữa trong việc tham gia vào quá trình xử lý nợ xấu giúp đẩy nhanh quá trình này. Đối với các NHTMCP quá yếu kém để tránh những tác động tiêu cực không đáng có, Chính phủ có thể cho NH phá sản theo luật định, các thủ tục cho phá sản các TCTD cũng cần được Quốc hội xem xét, sửa đổi cho phù hợp. + Để tránh rủi ro đổ vỡ hệ thống ngân hàng thì NHNN cần khuyến khích, tiến tới bắt buộc các NH áp dụng các quy định theo thông lệ quốc tế trong hoạt động, hoàn thiện hệ thống thông tin, số liệu thống kê và công tác dự báo. Tăng cường thanh tra giám sát việc phân loại nợ và trích lập dự phòng rủi ro cho vay của các NHTM. Việc thanh tra, giám sát của NHNN cần được tiến hành thường xuyên và có chất lượng tránh việc các BCTC của các ngân hàng tốt trong khi trên thực tế ngân hàng đang trên bờ vực phá sản như một số trường hợp trong thời gian qua. Cần có cơ chế có tính chất bắt buộc các ngân hàng phải báo cáo, cung cấp thông tin một cách trung thực. Đối với các ngân hàng có nguy cơ vỡ nợ cao NHNN cũng cần có các yêu cầu về tăng cường quản trị nội bộ, yêu cầu về tăng vốn chủ sở hữu như một biện pháp phòng vệ, đưa ra định mức tăng trưởng tín dụng để hạn chế cho vay, tăng cường khả năng thanh khoản cho các NH. 125 + NHNN cần xây dựng một bộ các tiêu chuẩn, chỉ tiêu đánh giá nguy cơ vỡ nợ các NHTMCP, thiết lập một mô hình cảnh báo sớm vỡ nợ các ngân hàng, giúp các ngân hàng có thể dự báo nguy cơ vỡ nợ từ đó có những điều chỉnh cho phù hợp. c) Đề xuất mô hình, quy trình xây dựng mô hình cảnh báo nguy cơ vỡ nợ đối với các NHTMCP: Tác giả đề xuất sử dụng mô hình Logit với dữ liệu mảng tác động cố định để cảnh báo nguy cơ vỡ nợ cho các NHTMCP Việt Nam, đề xuất căn cứ trên các kết quả thực nghiệm đã đạt được. Cụ thể: + Mô hình Logit đã xác định được 4 chỉ tiêu ảnh hưởng đến khả năng vỡ nợ của các NHTMCP. Các chỉ tiêu gồm: RGDP, Lãi cận biên; Nợ quá hạn /Tổng nợ phải trả; Các khoản cho vay thuần/ tiền gửi khách hàng. + Mô hình Logit với dữ liệu mảng làm tăng số bậc tự do và do đó làm tăng độ chính xác của các suy diễn thống kê. + Mô hình Logit dữ liệu mảng với tác động cố định đã lượng hóa được tính đặc thù của từng ngân hàng ảnh hưởng khả năng vỡ nợ. Nếu việc phân nhóm NH chưa rõ ràng thì có thể áp dụng thêm mô hình mạng nơron, cây quyết định để có thêm thông tin giúp việc xác định nguy cơ được chính xác hơn vì kết quả thực nghiệm của luận án cho thấy mô hình mạng nơron và mô hình cây quyết định có hiệu suất phân loại cao hơn mô hình Logit. Qua việc thực nghiệm xây dựng mô hình cảnh báo vỡ nợ cho các NHTMCP trong luận án, tác giả đề xuất quy trình cảnh báo vỡ nợ. Quy trình cảnh báo vỡ nợ các ngân hàng có các bước: Bước 1: Xác định rõ mục tiêu cần nghiên cứu - Xác định các ngân hàng sẽ được nghiên cứu. - Làm rõ, định nghĩa được các nhóm ngân hàng, chẳng hạn các ngân hàng thuộc trạng thái “ nguy cơ vỡ nợ cao” hoặc “nguy cơ vỡ nợ thấp”. Việc phân loại ban đầu hay quan niệm thế nào là “nguy cơ vỡ nợ cao” hay “nguy cơ vỡ nợ thấp” sẽ có ảnh hưởng rất lớn đến kết quả cảnh báo. - Xác định các ngân hàng cụ thể thuộc nhóm “nguy cơ vỡ nợ cao” hoặc “nguy cơ vỡ nợ thấp”. Việc phân nhóm các ngân hàng cần dựa trên tổng hợp các phân tích khác nhau. 126 Bước 2: Thu thập dữ liệu - Thu thập số liệu, các số liệu này chủ yếu là các chỉ tiêu trong các BCTC. Các thông tin phi tài chính cũng được phân tích để có thêm thông tin về các ngân hàng. - Tùy đặc điểm của dữ liệu để xác định kích thước mẫu. Khi xác định kích thước mẫu cũng cần chú ý để có thể kiểm tra hiệu suất ngoài mẫu của mô hình. Bước 3: Tính toán các chỉ số và xác định các chỉ số sử dụng ước lượng mô hình - Từ dữ liệu gốc tính các chỉ số tài chính. Nên tính một lớp khá rộng các chỉ số. - Kiểm tra các giả thiết về các biến số đưa vào: tương quan, phân bố của biến số, - Xác định các biến số có khả năng phân biệt hai nhóm ngân hàng. Bước 4: Ước lượng và lựa chọn mô hình - Ước lượng hàm Logit với dữ liệu mảng, xây dựng mô hình mạng nơron, cây quyết định. - Phân tích kết quả các mô hình. Tính xác suất vỡ nợ, phân nhóm nguy cơ, so sánh đồng thời các kết quả phân nhóm của các mô hình, từ đó đưa ra kết luận. 127 KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO Xuất phát từ sự cần thiết của hoạt động dự báo vỡ nợ các NHTMCP cùng với sự tồn tại của khoảng trống nghiên cứu trong và ngoài nước, luận án này áp dụng mô hình hồi quy Logit với dữ liệu mảng và một số mô hình phi tham số (mạng nơron, cây quyết định) để xây dựng mô hình cảnh báo nguy cơ vỡ nợ cho các NHTMCP Việt Nam. Để áp dụng các mô hình này, tác giả lựa chọn chỉ tiêu nợ xấu kết hợp với phân tích hiệu quả hoạt động các ngân hàng làm tiêu chí xác định nguy cơ vỡ nợ. Các biến dự báo trong luận án được xây dựng chủ yếu từ các chỉ tiêu trong mô hình CAMELS và được tính toán từ các BCTC của các NHTMCP giai đoạn 2010-2015. Kết quả đạt được của luận án như sau: + Thứ nhất: Luận án tổng quan một cách hệ thống các phương pháp, các mô hình cảnh báo vỡ nợ áp dụng cho các công ty, đặc biệt cho các ngân hàng từ các phương pháp phân tích đơn biến đến các phương pháp sử dụng các kỹ thuật thông minh hiện đại mà hiện nay đang được sử dụng nhiều trong phân tích cảnh báo vỡ nợ. Qua đó chỉ ra được những ưu khuyết điểm của từng phương pháp, từng mô hình, chỉ ra khoảng trống nghiên cứu để xem xét lựa chọn mô hình Logit với dữ liệu mảng vào xây dựng mô hình cảnh báo vỡ nợ cho các NHTMCP Việt Nam. + Thứ hai: Luận án xây dựng cơ sở lý luận nguy cơ vỡ nợ của các NHTMCP Việt Nam. Luận án phân tích làm rõ thực trạng hoạt động, nguy cơ vỡ nợ của các NHTMCP Việt Nam giai đoạn 2010-2015. Tác giả phân tích và đề xuất tiêu chí để xác định nguy cơ vỡ nợ cho các NHTMCP Việt Nam trên cơ sở những phân tích nợ xấu, hiệu quả hoạt động các ngân hàng. + Thứ ba: Luận án xây dựng, lựa chọn hệ thống 39 chỉ tiêu vi mô và 3 chỉ tiêu vĩ mô sử dụng trong cảnh báo vỡ nợ ngân hàng. Xác định được các chỉ tiêu ảnh hưởng trực tiếp tới nguy cơ vỡ nợ của các NHTMCP. Các chỉ tiêu này là: nợ quá hạn /tổng nợ phải trả; lãi cận biên thuần, các khoản cho vay thuần/ tiền gửi của khách hàng. Nghiên cứu đã minh chứng sự ảnh hưởng, lượng hóa mức độ ảnh hưởng của biến RGDP tới nguy cơ vỡ nợ của các NHTMCP. +Thứ tư: Luận án đề xuất mô hình cảnh báo vỡ nợ cho các NHTMCP Việt Nam là sử dụng mô hình hồi quy Logit với dữ liệu mảng, mô hình này giúp xác định các nhân tố, các chỉ tiêu tác động tới nguy cơ vỡ nợ, xác định xác suất thuộc các nhóm nguy cơ cho các ngân hàng trong mẫu. Mô hình này đưa ra các kết quả phù hợp về mặt kinh tế, đảm bảo các tiêu chuẩn của một mô hình tốt. Kết quả thực nghiệm của luận án 128 cho thấy mô hình mạng nơ ron, cây quyết định- hai mô hình thuộc nhánh mô hình sử dụng kỹ thuật thông minh làm tăng hiệu suất phân nhóm. + Thứ năm: Luận án lượng hóa được mức độ khác biệt, đặc thù của từng ngân hàng ảnh hưởng đến khả năng vỡ nợ. Đồng thời chỉ ra bốn ngân hàng tiềm ẩn nguy cơ vỡ nợ cao cần xem xét toàn diện. + Thứ sáu: Từ việc thực nghiệm xây dựng mô hình cảnh báo vỡ nợ trong luận án, tác giả cũng đề xuất quy trình cảnh báo vỡ nợ các NHTMCP Việt Nam. + Thứ bảy: Từ các kết quả đạt được tác giả đề xuất một số giải pháp, kiến nghị với các ngân hàng, các cơ quan quản lý giúp các ngân hàng hạn chế nguy cơ vỡ nợ. Đề xuất các hướng nghiên cứu tiếp theo Để tiếp tục xây dựng mô hình cảnh báo nguy cơ vỡ nợ cho các NHTMCP Việt Nam ngày càng hoàn thiện, tác giả đề xuất một số hướng nghiên cứu trong tương lai có thể thực hiện một số nội dung chính như sau: + Thứ nhất, do sự hạn chế trong việc tiếp cận các nguồn số liệu sử dụng cho nghiên cứu nên tác giả đã sử dụng chỉ tiêu nợ xấu và xếp loại hiệu quả hoạt động để làm căn cứ xác định nguy cơ vỡ nợ các NH. Các nghiên cứu khác có thể tìm kiếm tiêu chí phân loại, thử nghiệm và so sánh kết quả nghiên cứu theo các tiêu chí này. + Thứ hai, các nghiên cứu khác có thể thử nghiệm với các mô hình như mô hình phân tích sống sót, mô hình phân tích đặc điểm, thuật toán di truyền, và so sánh lựa chọn mô hình. Các nghiên cứu khác cũng có thể tìm cách kết hợp nhiều phương pháp, mô hình trong nghiên cứu để tăng hiệu suất phân loại. + Thứ ba, cần nghiên cứu sâu hơn vào việc xây dựng mô hình và kiểm tra hiệu suất dự báo với các mẫu ngoài của mô hình. + Thứ tư, các nghiên cứu khác sau khi tính được xác suất vỡ nợ, xếp hạng các ngân hàng có thể tính toán ma trận chuyển hạng của các ngân hàng hoặc xây dựng mô hình xác định các nhân tố tác động tới sự chuyển hạng của các ngân hàng. 129 DANH MỤC CÁC CÔNG TRÌNHCÔNG BỐ CỦA TÁC GIẢ 1. Đặng Huy Ngân, Phùng Minh Đức (2013), ‘Các mô hình cảnh báo vỡ nợ doanh nghiệp’, Kỷ yếu hội thảo quốc gia: Đào tạo và ứng dụng Toán học trong kinh tế xã hội, Nhà xuất bản Đại học Kinh tế quốc dân, tr. 243-249. 2. Đặng Huy Ngân (2015), ‘Sử dụng kết hợp phân tích nhân tố và hồi quy Logistic để phân loại các ngân hàng thương mại cổ phần Việt Nam’, Kỷ yếu hội thảo khoa học quốc gia: An ninh tài chính tiền tệ của Việt Nam trong bối cảnh hội nhập quốc tế, Nhà xuất bản Đại học Kinh tế quốc dân, tr. 102-114. 3. Đặng Huy Ngân (2015), ‘Để giảm nguy cơ vỡ nợ của các ngân hàng thương mại cổ phần’, Tạp chí Kinh tế và Dự báo, số 22, tr. 25-28. 4. Đặng Huy Ngân (2016), ‘Sử dụng mạng nơron để phân loại, dự báo nguy cơ vỡ nợ các ngân hàng thương mại cổ phần Việt Nam’, Tạp chí Kinh tế và Dự báo, số chuyên đề T1/2016, tr. 6-9. 5. Đặng Huy Ngân (2016), ‘Xây dựng mô hình cảnh báo nguy cơ vỡ nợ cho các ngân hàng thương mại cổ phần Việt Nam’, Tạp chí Kinh tế và Phát triển, số Đặc biệt T9/2016, tr. 82-90. 6. Đặng Huy Ngân (2017), ‘Áp dụng mô hình Logit với dữ liệu mảng trong nghiên cứu cảnh báo vỡ nợ các ngân hàng thương mại cổ phần Việt Nam’, Kỷ yếu hội nghị toàn quốc lần thứ IV về ứng dụng Toán học, Nhà xuất bản Thông tin và Truyền thông, tr. 157-166. 130 DANH MỤC TÀI LIỆU THAM KHẢO 1. Altman, Edward I. (1968), ‘Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy’, Journal of Finance, p.189-209. 2. Atlman, E. I., Hartzell J., Peck M. (1995), Emerging Markets Corporate Bonds: A Scoring System, Salomon Brothers Inc. New York. 3. Atlman, E. I., Heine, M. L., Zhang, L., &Yen, J. (2007), ‘Corporate financial distress diagnosis in China’, Salomon Center Working Paper, New York University. 4. Amri, P.D and Kocher, B.M. (2012), ‘The Political Economy of Financial Sector Supervision and Banking Crises: A cross-Country Analysis’, European Law Journal, 18(1), p. 24-43. 5. Balcaen, S., and Ooghe, H. (2006), ‘35 years of studies on business failure: An overview of the classic statistical methodologies and their related problems’, The British Accounting Review, 38(1), p. 63-93. 6. Barr, Richard, and Thomas Siems (1994), ‘Predicting Bank Failure Using DEA to Quantify Management Quality’, Federal Reserve Bank of Dallas, Financial Industry Studies, Working Paper No. 1-94. 7. Banker, R. D., Charnes, A., and Cooper, W, W (1984), ‘Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis’, Management Science, 30(9), p.1079-1092. 8. Basell II (2008), Sự thống nhất quốc tế về đo lường và các tiêu chuẩn vốn, Nhà xuất bản Văn hóa- Thông tin, Hà Nội. 9. Beaver, W. (1966), ‘Financial ratios as predictors of failure’, Journal of Accounting Research 5: p. 71-111. 10. Birsen Eygi Erdogan (2016), ‘Long-term Examination of Bank Crashes Using Panel Logistic Regression: Turkish Banks Failure Case’, International Journal of Statistics and Probability; Vol. 5, No. 3. 11. Berger, A. N., De Young, R. (1997), ‘Problem loans and cost efficiency in commercial Banks’, Journal of Banking And Finance, (21)6, pp.849-870. 12. Bureau of Business Research (1930), A Test Analysis of Unsuccessful Industrial Companies, Bulletin No.31. Urbana: University of Illonois Press. 131 13. Blum, M. (1974), ‘Failing company discrimination analysis’, Journal of Accounting research, 2(1),p. 1-25. 14. Charnes, A., Cooper, W. and Rhodes, E. (1978), ‘Measuring efficiency of decision making units’, European journal of operations research, 6(3), p.429-444. 15. Crouhy, M., Galai, D. & Mark (2001), Risk Management, Mc Graw-Hill. 16. Coelli, T. (1996), “A guide to DEAP version 2.1: a data envelopment analysis program”, CEPA Working Paper 1996/08, A vailable at: 17. Công ty Cổ phần Stoxplus. 18. David W.Hosmer, Jr., Stanley Lemeshow, Rodney X.Studivant (2013), Applied Logistic Regression, Third Edition. 19. Demirguc-Kunt, Asli (1989), ‘Deposit-Institution Failures: A Review of the Empirical Literature’, Federal ReserveBank of Cleveland, Economic Review, Quarter 4. 20. Deakin, E. B. (1972), ‘A discriminant analysis of predictors of business failure’, Journal of Accounting research, p. 167-179. 21. Dimitras, A.I., Zanakis, S.H. and Zopounidis, C. (1996),‘A survey of business failure with an emphasis on prediction methods and industrial applications’, European Journal of Operational Research, Vol.90, p. 487-513. 22. Ding, Y., Song, X., & Yen, Y. (2008), ‘Forecasting financial condition of Chinese listed companies based on support vector machine’, Expert System with Applications, 34 (4), p. 3081-3089. 23. Distingguin, Isabelle, Rous, Philippe, and Tarazi, Amine (2005), ‘Market Discipline and the Use of Stock Market Data to Predict Bank Financial Distress’. Working paper. 24. Duclaux, Soupmo Badjio (2009), ‘A warning model for bank default in CEMAC countries’, HEC Management School-University of LIEGE. 25. Eisenbeis, Robert, and Simon Kwan (1994), ‘An Analysis of Inefficiencies in Banking: A Stochastic Cost Frontier Approach’, Workingpaper. 26. Farrell, M.J. (1957), ‘The measurement of productive efficiency’, Journal of the Royal Statistical Society, 120, p. 253-281. 132 27. Farrell, R., Grosskopf, S. and Lovell, C. A. K (1985), The Measurement of Efficiency of Production, KluwerNijhoff, Boston. 28. Fitzpatrick, P. (1932), ‘A Comparison of the Ratios of Successful Industrial Enterprises with Those of Failed Companies’, The Accountants Pulishing Company. 29. Frederic S. Mishkin (1999), Tiền tệ, ngân hàng và thị trường tài chính, Nhà xuất bản Khoa học và Kỹ thuật. 30. Frydman, H., Altman, E. and Kao, D. (1985), ‘Introducing recursive partitioning for financial classification: the case of financial distress’, The Journal of Finance, Vol. XL No.1, pp. 269-91. 31. Gleb Lanine and Rudi Vander Vennet (2006), ‘Failure prediction in the Russian bank sector with Logit and trait recognition models’, Expert systems with application 30(3), p. 436-478. 32. Gropp, Reint, Vesala Jukka, and Vulpes Giuseppe (2005), ‘Equity and bond market signls as leading indicators of bank fragility’. Journal of Money Credit and Banking, forthcoming. 33. Hausman, J.A. (1978), ‘Specification tests in econometrics’, Econometrica, 46, 1251-1271. 34. Hosmer, David W.Jr. and Stanley Lemeshow (1989), Applied Logistic regression, John Wiley và Son, NewYork. 35. Hughes, Joseph P., and Choon-Geol Moon (1995), ‘Measuring Bank Efficiency when Managers Trade Return for Reduced Risk’, Working paper. 36. Isabelle Distinguin and Amine Tarazi (2008), ‘The use of accounting and stock market data to predict bank rating changes: The case of south east Asian’, University de Limoges, France. 37. Jo, H., & Han, I. (1996), ‘Integration of case- based forecasting neural network and discriminant analysis for bankruptcy prediction’, Expert Systems with applications, 11(4), 415-422. 38. Kolari, J., Glennon, D., Shin, H., and Caputo, M. (2002), ‘Predicting Large US Commercial Bank Failures’, Journal of Economics and Business, 54(321), p. 361-387. 39. Lê Dân (2004), Vận dụng phương pháp thống kê để phân tích hiệu quả hoạt động của ngân hàng thương mại Việt Nam, Luận án tiến sĩ kinh tế, Đại học Kinh tế Quốc dân, Hà Nội. 133 40. Lê Khương Ninh (2015), ‘Nguyên nhân phá sản của các ngân hàng thương mại: Lý thuyết và bài học kinh nghiệm từ thực tiễn’, Tạp chí Ngân hàng, số 20, tr. 47-49. 41. Lê Thị Hồng Hạnh (2013), ‘Giải quyết nợ xấu-vấn đề mấu chốt trong tái cơ cấu hệ thống ngân hàng’, Tạp chí Trung tâm thông tin tư liệu, số 01 năm 2013. 42. Lin, H., & Sun, J. (2009), ‘Predicting financial failure using multiple case-based reasoning combine with support vector machine’, Expert Systems with Applications, 36(6), p.10085-10096. 43. Marais ML, Patel J. Wolfson M. (1984), ‘The experimental design of classification models: an application of recursive partitioning and bootstrapping to commercial bank loan classification’, Journal of Accounting, Vol. 22, pp. 87-113. 44. Martens, D., Bruynseels, L., Baesens, B., Willekens, M., & Vanthienen, J. (2008), ‘Predicting going concern opinion with data mining’, Decision Support Systems, 45(4), p.765-777. 45. Martin, D. (1977), ‘Early warning of bank failures: A logit regression approach’, Journal of Banking and Finance 1: p. 249-276. 46. Merwin, C. (1942), ‘Financing Small Corporations: In Five Manufacturing Industries, 1926-36’, National Bureau of Economic Research. 47. Metron, R. (1974), “On the pricing of corporate debt: the risk structure of interest rates”, Journal of Finance, Vol.29 No.2, pp.449-70. 48. Ngân hàng Nhà nước (2008), Quyết định 06/2008/QĐ-NHNN về việc ban hành Quy định xếp loại ngân hàng thương mại cổ phần, ban hành ngày 12 tháng 03 năm 2008. 49. Ngân hàng Nhà nước (2013), Thông tư số 02/2013/TT-NHNN về việc phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro và việc sử dụng dự phòng để xử lý rủi ro trong hoạt động của tổ chức tín dụng, chi nhánh ngân hàng nước ngoài, ban hành ngày 21 tháng 1 năm 2013. 50. Ngân hàng Nhà nước (2013), Thông tư số 19/2013/TT-NHNN về việc mua, bán và xử lý nợ xấu của Công ty quản lý tài sản của các tổ chức tín dụng Việt Nam, ban hành ngày 6 tháng 9 năm 2013. 134 51. Ngân hàng Nhà nước (2014), Thông tư số 14/2014/TT-NHNN về việc sửa đổi, bổ sung một số điều của quy định về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng của tổ chức tín dụng ban hành theo quyết định số 493/2005/QĐ-NHNN, ban hành ngày 20 tháng 5 năm 2014. 52. Ngân hàng Nhà nước (2014), Thông tư số 36/2014/TT-NHNN về việc quy định các giới hạn, tỷ lệ đảm bảo an toàn trong hoạt động của tổ chức tín dụng, chi nhánh ngân hàng nước ngoài, ban hành ngày 20 tháng 11 năm 2014. 53. Ngân hàng Nhà nước Việt Nam (2005), Quyết định số 493/QĐ-NHNN về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng của các tổ chức tín dụng, ban hành ngày 22 tháng 4 năm 2005. 54. Ngân hàng Nhà nước Việt Nam (2009 đến 2015), Báo cáo thường niên, Hà Nội. 55. Ngân hàng thương mại Việt Nam (2009 đến 2015), Báo cáo thường niên. 56. Nguyễn Quang Dong (2009), Xếp hạng tín dụng các ngân hàng, các tổ chức tài chính Việt Nam bằng phương pháp phân tích phân biệt, đề tài khoa học cấp bộ, Trường Đại học Kinh tế quốc dân. 57. Nguyễn Cao Văn, Trần Thái Ninh, Ngô Văn Thứ (2012), Giáo trình Lý thuyết xác suất và thống kê toán, Nhà xuất bản Kinh tế quốc dân, Hà Nội. 58. Nguyễn Minh Phong (2012), Nợ xấu - nguyên nhân và lời giải 59. Nguyễn Phi Lân (2015), Xây dựng và ứng dụng mô hình cấu trúc trong hoạt động thanh tra, giám sát các tổ chức tín dụng, Đề tài khoa học cấp ngành, Ngân hàng Nhà nước. 60. Nguyễn Thị Hồng Vinh (2015), ‘Yếu tố tác động đến nợ xấu các ngân hàng thương mại Việt Nam’, Tạp chí Phát triển Kinh tế, số 26, tr.80-98. 61. Nguyễn Thị Lương (2014), Ứng dụng mô hình Merton-KMV để đo lường rủi ro vỡ nợ của các doanh nghiệp niêm yết ở Việt Nam, Luận văn thạc sỹ kinh tế, Đại học Kinh tế Quốc dân, Hà Nội. 62. Nguyễn Trọng Hòa (2009), Xây dựng mô hình XHTD đối với các doanh nghiệp Việt Nam trong nền kinh tế chuyển đổi, Luận án tiến sĩ kinh tế, Trường đại học Kinh tế Quốc dân, Hà Nội. 63. Nguyễn Thành Cường và Phạm Thế Anh (2010), ‘Đánh giá rủi ro phá sản của các doanh nghiệp chế biến thủy sản đang niêm yết trên thị trường chứng khoán Việt Nam’, Tạp chí Khoa học-công nghệ Thủy sản, Số 2, tr. 27-33. 135 64. Nguyễn Văn Tiến (2003), Giáo trình ngân hàng thương mại, Nhà xuất bản Thống kê. 65. Nguyễn Việt Hùng, Hà Quỳnh Hoa (2012), Các mô hình dự báo khủng hoảng tiền tệ và ứng dụng cảnh báo cho Việt Nam, Nhà xuất bản Kinh tế quốc dân, Hà Nội. 66. Nguyễn Xuân Thành (2016), Ngân hàng thương mại Việt Nam: Từ những thay đổi về luật và chính sách giai đoạn 2006-2010 đến các sự kiện tái cơ cấu giai đoạn 2011- 2015, truy cập ngày 16 tháng 4 năm 2016, từ /143595/Buc-tranh-ngan-hang-Viet-Nam-10-nam-qua.html. 67. Odom, M. and R. Sharda (1993),‘A neural network model for bankruptcy prediction’, Article in Neural networks in Finance and Investing: Using Artificial Intelligence to improve Real- World Performance, R. Trippi and E. Turban (eds.). Chicago, IL: Probus Publishing Co. 68. Ohlson, J. (1980), ‘Financial ratios and probabilistic prediction of bankruptcy’, Journal of Accounting Research 18(1), p. 109-131. 69. Phan Hồng Mai (2012), Nguy cơ phá sản của các công ty cổ phần xây dựng niêm yết ở Việt Nam, Đề tài khoa học cấp cơ sở, Trường đại học Kinh tế quốc dân. 70. Phan Hồng Mai, Cao Đức Anh (2014), ‘Nhân tố ảnh hưởng tới tỷ lệ nợ xấu của các ngân hàng thương mại Việt Nam’, Tạp chí Kinh tế & Phát triển, số 207(II), tr.80-89. 71. Phạm Thị Kim Ánh (2014),’ Nợ xấu ngân hàng và các vấn đề cần xử lý’, Tạp chí khoa học và công nghệ, số tháng 2, năm 2014. 72. Quốc hội (2010), Luật các tổ chức tín dụng, ban hành ngày 16 tháng 6 năm 2010. 73. Quốc hội (2014), Luật Phá sản, ban hành ngày 19 tháng 6 năm 2014. 74. Ravi, V. and C. Pramodh (2008), ‘Threshold accepting trained principal component neural network and feature subset selection: application to bankruptcy prediction in banks’, Applied Soft Computing, Vol. 8 (4), p.1539-1548. 75. Resti, Andrea (1995), ‘Linear Programming and Econometric Methods for Bank Efficiency Evaluation: An Empirical Comparison Based on a Panel of Italian Banks’, working paper. 76. Salchenberger, L.M., Cinar, E.M. and Lash, N.A. (1992), ‘Neural networks: a new tool for predicting thrift failures’, Decision Sciences, Vol. 23, p. 899-916. 77. Shumway, T. (2001), ‘Forecasting bankruptcy more accurately: a simple hazard model’, The Journal of Busines, 74, p. 101-124. 136 78. Tam and M. Kiang (1992), ‘Managerial applications of neural networks-the case of bank failure predictions’, Management Science, Vol. 38(7), p. 926-947. 79. Thủ tướng Chính phủ (2012), Quyết định 254/QĐ-TTg phê duyệt đề án cơ cấu lại hệ thống các tổ chức tín dụng giai đoạn 2011-2015, ban hành ngày 01 tháng 03 năm 2012. 80. Trần Trọng Phong và cộng sự (2015), ‘Các nhân tố ảnh hưởng đến nợ xấu tại các ngân hàng thương mại Việt Nam’, Tạp chí Kinh tế & Phát triển, số 216 (II), tr 54-60. 81. Trung tâm nghiên cứu Kinh tế và Chính sách-VEPR (2014), ‘Báo cáo thường niên kinh tế Việt Nam năm 2013’. 82. Uỷ ban Kinh tế của Quốc hội và UNDP tại Việt Nam (2013), Giám sát hệ thống tài chính: Chỉ tiêu và mô hình định lượng, Nhà xuất bản Trí thức, Hà Nội. 83. Ủy ban Giám sát Tài chính Quốc gia (2014), ‘Báo cáo tổng quan thị trường tài chính năm 2013’. 84. Viện ngôn ngữ (1988), Từ điển Tiếng Việt, Nhà xuất bản Khoa học xã hội, Hà Nội. 85. Wei Dai và Wei Ji (2014), ‘A MapReduce Implementation of C 4.5 Decision Tree Algorithm’, International Journal of Database Theory and Application, Vol.7, No.1, pp. 49-60. 86. West, R. C. (1985), ‘A factor analytic approach to bank condition’, Journal of Banking and Finance, Số 9, tr. 253-266. 87. Whalen, G. (2005), ‘A Hazard Model of CAMELS Downgrades of Low-Risk Community Banks’. Economics Working Paper 2005-1, Office of Comptroller of the Currency, May 2005. 88. Winakor, A. and Smith, R. (1935), Changes in the Financial Structure of Unsuccessful Industrial Corporations, Bulletin 51, Bureau of Business Research, University of Illinois, Urbana, IL. 89. William H. Greene (1993), Econometric analysis, Macmillan Publishing Company, New York. 90. Zmijewski,M.E. (1984),‘Methodological issues related to the estimation of financial distress prediction models, Journal of Accounting Research, 22,p.59-82. 137 PHỤ LỤC Phụ lục 1: Các ngân hàng trong nghiên cứu Mã NH Tên viết tắt Tên ngân hàng 1 ABBank Ngân hàng thương mại cổ phần An Bình 2 ACB Ngân hàng thương mại cổ phần Á Châu 3 Bac A bank Ngân hàng thương mại cổ phần Bắc Á 4 VietCapitalBank Ngân hàng thương mại cổ phần Bản Việt 5 BaoViet bank Ngân hàng thương mại cổ phần Bảo Việt 6 BIDV Ngân hàng thương mại cổ phần Đầu Tư và Phát Triển VN 7 DaiABank Ngân hàng thương mại cổ phần Đại Á 8 DongABank Ngân hàng thương mại cổ phần Đông Á 9 EIB Ngân hàng thương mại cổ phần Xuất nhập khẩu Việt Nam 10 HDBank Ngân hàng thương mại cổ phần Phát triển TP. HCM 11 KienLongBank Ngân hàng thương mại cổ phần Kiên Long 12 Lien Viet bank Ngân hàng thương mại cổ phần Liên Việt 13 MBB Ngân hàng thương mại cổ phần Quân đội 14 MDB Ngân hàng thương mại cổ phần Phát triển Mê Kông 15 MHB Ngân Hàng Phát Triển Nhà ĐBSCL 16 NamABank Ngân hàng thương mại cổ phần Nam Á 17 NaviBank Ngân hàng thương mại cổ phần Nam Việt 18 OricomBank Ngân hàng thương mại cổ phần Phương Đông 19 OceanBank Ngân hàng thương mại cổ phần Đại dương 20 PGBank Ngân hàng thương mại cổ phần Xăng dầu Petrolimex 21 PNB Ngân hàng thương mại cổ phần Phương Nam 22 WEB Ngân hàng thương mại cổ phần Phương Tây 138 Mã NH Tên viết tắt Tên ngân hàng 23 SacomBank Ngân hàng thương mại cổ phần Sài Gòn Thương tín 24 SCB Ngân hàng thương mại cổ phần Bản Việt 25 SeaBank Ngân hàng thương mại cổ phần Đông Nam Á 26 SaigonBank Ngân hàng thương mại cổ phần Sài Gòn Công Thương 27 SHB Ngân hàng thương mại cổ phần Sài Gòn - Hà Nội 28 TechcomBank Ngân hàng thương mại cổ phần Kỹ thương Việt Nam 29 TP Ngân hàng thương mại cổ phần Tiền Phong 30 VietcomBank Ngân hàng thương mại cổ phần Ngoại thương Việt Nam 31 VIBank Ngân hàng thương mại cổ phần Quốc tế Việt Nam 32 VietABank Ngân hàng thương mại cổ phần Việt Á 33 Việt Bank Ngân hàng thương mại cổ phần Việt Bank 34 VietinBank Ngân hàng thương mại cổ phần Công thương Việt Nam 35 VPBank Ngân hàng thương mại cổ phần Việt Nam Thịnh Vượng Nguồn: Thiết kế của tác giả 139 Phụ lục 2: Bảng báo cáo tài chính của Ngân hàng A, năm 2010 1 I - Tiền mặt, vàng bạc, đá quý 4,926,850,000,000 2 II - Tiền gửi tại NHNN 5,144,737,000,000 3 III - Tiền, vàng gửi tại các TCTD khác và cho vay các TCTD khác 29,164,968,000,000 4 * Tiền, vàng gửi tại các TCTD khác 5 * Cho vay các TCTD khác 6 * Dự phòng rủi ro 7 IV- Chứng khoán kinh doanh: 501,293,000,000 8 - Chứng khoán kinh doanh 504,006,000,000 9 - Dự phòng giảm giá CK kinh doanh -2,713,000,000 10 V - Các công cụ tài chính phái sinh và các tài sản phái sinh khác 9,973,000,000 11 VI - Cho vay khách hàng 31,676,320,000,000 12 * Cho vay khách hàng 31,810,857,000,000 13 * Dự phòng rủi ro -134,537,000,000 14 VII - Chứng khoán đầu tư 9,132,829,000,000 15 * CK sẵn sàng để bán 1,658,481,000,000 16 * CK giữ đến ngày đáo hạn 7,474,348,000,000 17 * Dự phòng giảm giá chứng khoán đầu tư 18 VIII - Góp vốn, đầu tư dài hạn 762,469,000,000 19 1/ Đầu tư vào công ty con 20 2/ Vốn góp liên doanh 195,358,000,000 21 3/ Đầu tư vào công ty liên kết 22 4/ Đầu tư dài hạn khác 567,111,000,000 23 5/ Dự phòng giảm giá đầu tư dài hạn 24 IX - Tài sản cố định 554,747,000,000 140 25 1/ Tài sản cố định hữu hình 514,109,000,000 26 * Nguyên giá TSCĐ 27 * Hao mòn TSCĐ 28 2/ Tài sản cố định thuê tài chính 40,638,000,000 29 * Nguyên giá TSCĐ 30 * Hao mòn TSCĐ 31 3/ Tài sản cố định vô hình 129,694,996,779 32 * Nguyên giá TSCĐ 33 * Hao mòn TSCĐ 34 X - Tài sản có khác 3,517,495,000,000 35 1/ Các khoản phải thu 36 2/ Các khoản lãi và phí phải thu 37 3/ Tài sản thuế TNDN hoãn lại 38 4/ Tài sản có khác 39 5/ Các khoản dự phòng rủi ro khác 40 Tổng cộng tài sản 85,391,681,000,000 41 NỢ PHẢI TRẢ VÀ VỐN CHỦ SỞ HỮU 42 I - Các khoản nợ Chính phủ và NHNN 654,630,000,000 43 II- Tiền gửi và vay các TCTD khác 6,994,030,000,000 44 1/ Tiền gửi của các TCTD khác 45 2/ Vay TCTD khác 46 III- Tiền gửi của khách hàng 55,283,104,000,000 47 IV - Các công cụ tài chính phái sinh và các khoản nợ tài chính khác 48 V - Vốn tài trợ, ủy thác đầu tư, cho vay TCTD chịu rủi ro 322,512,000,000 49 VI - Phát hành giấy tờ có giá 11,688,796,000,000 50 VII - Tài sản nợ khác 4,190,760,000,000 141 51 1/ Các khoản lãi và phí phải trả 52 2/ Thuế TNDN hoãn lại phải trả 53 3/ Các khoản phải trả và công nợ khác 54 4/ Dự phòng rủi ro khác 55 TỔNG NỢ PHẢI TRẢ 79,133,832,000,000 56 VIII - Vốn và các quỹ 57 1/ Vốn của TCTD 2,630,060,000,000 58 * Vốn điều lệ 2,630,060,000,000 59 * Vốn đầu tư XDCB 60 * Thặng dư vốn cổ phần 61 * Cổ phiếu quỹ 62 * Cổ phiếu ưu đãi 63 * Vốn khác 64 2/ Quỹ của TCTD 2,192,037,000,000 65 3/ Chênh lệch tỷ giá hối đoái 66 4/ Chênh lệch đánh giá lại tài sản 67 5/ Lợi nhuận chưa phân phối 1,435,752,000,000 68 a/ Lợi nhuận kỳ này (sau trích thuế) 69 b/ Lợi nhuận chưa phân phối năm trước 70 IX - Lợi ích của cổ đông thiểu số 71 TỔNG CỘNG NGUỒN VỐN 85,391,681,000,000 72 Thu nhập lãi và các khoản thu nhập tương tự 73 Chi phí lãi và các chi phí tương tự 74 Thu nhập lãi thuần 75 Thu nhập phí từ hoạt động dịch vụ 76 Chi phí hoạt động dịch vụ 142 77 Thu nhập thuần từ hoạt động dịch vụ 78 Lãi/lỗ từ hoạt động kinh doanh ngoại hối 79 Lãi/lỗ thuần từ hoạt động mua bán chứng khoán kinh doanh 80 Lãi/lỗ thuần từ hoạt động mua bán chứng khoán đầu tư 81 Thu nhập từ hoạt động khác 82 Chi phí hoạt động khác 83 Lãi/lỗ thuần từ hoạt động khác 84 Thu nhập vốn góp mua cổ phần 85 Chi phí hoạt động 86 LN thuần từ hoạt động kinh doanh trước chi phí dự phòng rủi ro tín dụng 87 Chi phí dự phòng rủi ro tín dụng 88 Tổng lợi nhuận trước thuế 89 Chi phí thuế TNDN hiện hành 90 Chi phí thuế TNDN hoãn lại 91 Chi phí thuế TNDN 92 Lợi nhuận sau thuế 143 Phụ lục 3: Tỷ lệ lãi cận biên của các NHTMCP Việt Nam 2010- 2015 Mã NH 2010 2011 2012 2013 2014 2015 1 3.64% 5.24% 4.52% 2.43% 2.44% 2.84% 2 2.40% 3.08% 4.53% 2.93% 2.93% 3.21% 3 1.84% 2.82% 2.53% 2.69% 2.08% 1.84% 4 2.83% 2.62% 2.36% 2.28% 1.62% 5 2.23% 2.91% 3.13% 2.99% 1.64% 1.62% 6 2.65% 3.26% 2.96% 2.72% 2.80% 2.41% 7 2.12% 4.23% 4.57% 8 3.09% 4.78% 4.28% 3.59% 9 2.48% 3.19% 3.34% 1.73% 1.83% 2.99% 10 1.87% 3.86% 2.10% 0.44% 1.93% 3.56% 11 4.59% 5.60% 6.45% 5.45% 3.96% 3.83% 12 3.90% 4.16% 4.55% 3.58% 2.62% 3.08% 13 3.47% 4.25% 4.11% 3.69% 3.54% 3.63% 14 2.36% 8.32% 8.69% 10.47% 15 1.97% 2.38% 4.41% 3.88% 16 2.34% 2.73% 3.54% 1.59% 1.97% 2.99% 17 2.83% 3.98% 4.43% 2.56% 2.04% 2.02% 18 3.64% 4.15% 4.83% 4.17% 2.97% 2.92% 19 2.66% 2.89% 2.86% 2.29% 20 3.51% 7.03% 5.41% 2.33% 21 0.60% 0.35% -0.61% 0.57% 22 2.64% 2.62% 4.08% 23 3.04% 5.06% 5.18% 4.70% 3.97% 24 3.64% 3.15% 1.61% 1.08% 1.78% 25 2.16% 1.11% 1.74% 1.22% 1.10% 1.58% 26 3.94% 5.82% 7.61% 5.10% 4.95% 3.98% 27 2.69% 2.99% 1.88% 1.67% 1.85% 2.07% 28 2.42% 3.41% 3.48% 3.18% 3.68% 4.14% 29 1.40% -0.78% 2.00% 1.98% 2.18% 2.00% 30 2.79% 3.58% 2.82% 2.49% 2.14% 2.42% 31 2.43% 4.02% 5.41% 2.98% 3.12% 3.12% 32 2.70% 2.98% 1.77% 2.11% 1.33% 3.03% 33 1.90% 4.65% 4.53% 1.91% 1.45% 34 3.46% 4.66% 3.94% 3.41% 2.85% 2.58% 35 2.13% 2.79% 3.40% 3.99% 3.66% 5.70% Nguồn: Báo cáo tài chính của các NHTMCP (2010-2015) 144 Phụ lục 4: Tỷ lệ nợ xấu của các NHTMCP Việt Nam 2010 – 2015 Mã NH 2010 2011 2012 2013 2014 2015 1 1.17% 2.82% 2.84% 7.63% 4.51% 2.42% 2 0.34% 0.89% 2.50% 3.03% 2.18% 1.32% 3 0.04% 0.60% 4.00% 2.32% 2.15% 0.70% 4 2.70% 1.90% 4.11% 2.17% 1.00% 5 0.01% 4.57% 5.94% 3.91% 1.50% 1.34% 6 3.21% 2.76% 2.70% 2.26% 2.03% 1.68% 7 0.66% 0.92% 5.28% 8 1.60% 1.69% 3.95% 3.99% 9 1.42% 1.61% 1.32% 1.98% 2.46% 1.86% 10 0.83% 2.12% 2.35% 3.67% 2.27% 1.60% 11 1.10% 2.78% 2.93% 2.47% 1.95% 1.13% 12 0.42% 2.13% 2.71% 2.48% 1.40% 0.97% 13 1.26% 1.59% 1.84% 2.45% 2.73% 1.61% 14 1.26% 2.08% 3.46% 2.65% 15 1.94% 2.32% 2.99% 2.66% 16 2.18% 2.84% 2.48% 1.48% 1.40% 0.91% 17 2.24% 2.92% 5.64% 6.07% 2.52% 2.15% 18 2.05% 9.56% 2.38% 2.91% 3.89% 2.32% 19 1.67% 2.08% 3.52% 4.04% 20 1.42% 2.06% 8.44% 2.98% 21 1.84% 2.32% 3.02% 3.78% 22 0.73% 1.20% 3.84% 23 0.54% 0.58% 2.05% 1.46% 1.19% 24 7.25% 7.23% 1.63% 0.49% 0.34% 25 2.14% 2.75% 2.97% 6.30% 6.06% 3.16% 26 1.91% 4.74% 2.93% 2.24% 2.08% 1.88% 27 1.40% 2.23% 8.81% 5.66% 2.02% 1.72% 28 2.29% 2.83% 2.70% 3.65% 2.38% 1.66% 29 0.02% 0.67% 3.66% 2.33% 1.22% 0.81% 30 2.91% 2.03% 2.40% 2.73% 2.31% 1.84% 31 1.59% 2.69% 2.62% 2.82% 2.51% 2.07% 32 2.52% 2.56% 4.65% 2.88% 2.33% 2.26% 33 0.42% 5.63% 2.44% 2.66% 2.17% 34 0.66% 0.75% 1.47% 1.00% 1.12% 0.92% 35 1.20% 1.82% 2.72% 2.81% 2.54% 2.69% Nguồn: Báo cáo tài chính của các NHTMCP (2010-2015) 145 Phụ lục 5: Tỷ lệ an toàn vốn của các NHTMCP Việt Nam 2010 – 2015 Mã NH 2010 2011 2012 2013 2014 2015 1 14.89% 14.00% 13.00% 17.80% 14.00% 16.80% 2 10.60% 9.25% 14.16% 14.66% 14.10% 12.10% 3 9.32% 11.07% 12.46% 9.98% 9.98% 4 24.00% 29.30% 20.13% 15.00% 15.71% 5 21.00% 22.00% 42.00% 37.32% 32.31% 32.31% 6 9.32% 11.07% 9.65% 10.23% 9.47% 9.81% 7 36.06% 32.15% 23.28% 8 11.70% 12.70% 10.85% 10.42% 9 17.79% 13.00% 16.38% 13.62% 16.52% 10 11.16% 15.00% 14.00% 12.20% 10.70% 13.40% 11 36.73% 32.31% 33.42% 20.74% 18.38% 19.77% 12 22.26% 9.00% 18.08% 14.91% 14.91% 12.29% 13 9.60% 13.10% 11.43% 11.00% 10.07% 12.85% 14 37.30% 55.90% 60.73% 61.53% 15 9.43% 10.10% 16.95% 17.32% 16 18.04% 20.19% 21.99% 13.47% 10.66% 19.98% 17 14.78% 17.87% 19.09% 16.03% 10.83% 11.08% 18 20.59% 24.88% 26.30% 22.41% 17.14% 12.85% 19 9.48% 11.74% 14.00% 9.24% 20 20.60% 16.70% 22.62% 19.07% 21 8.60% 11.70% 9.60% 12.73% 22 48.67% 18.49% 23 9.97% 11.66% 9.53% 10.22% 11.40% 24 9.77% 10.35% 9.67% 9.33% 9.95% 25 18.16% 9.00% 15.50% 14.29% 17.61% 17.55% 26 16.26% 22.83% 23.94% 24.05% 22.03% 19.98% 27 13.81% 9.00% 14.18% 12.38% 11.30% 11.40% 28 13.10% 11.43% 12.60% 14.03% 15.65% 14.74% 29 18.18% 18.00% 40.15% 19.81% 15.04% 12.13% 30 9.00% 11.14% 14.83% 13.37% 11.61% 31 11.69% 14.48% 19.43% 19.43% 17.70% 18.04% 32 9.00% 9.00% 20.00% 17.37% 33 30.12% 17.49% 16.34% 24.71% 18.01% 34 8.02% 10.57% 10.33% 13.17% 10.40% 10.58% 35 13.26% 11.40% 12.51% 12.50% 11.36% 12.20% Nguồn: Báo cáo tài chính của các NHTMCP (2010-2015) 146 Phụ lục 6: Cấu trúc sở hữu giữa NHTM và các tập đoàn, tổng công ty nhà nước và tư nhân ở Việt Nam tại thời điểm 30/6/2011 Nguồn: Nguyễn Xuân Thành (2016) 147 Phụ lục 7: Đồ thị các biến e9, y Nguồn: Tính toán của tác giả Phụ lục 8: Hệ số tương quan giữa các biến độc lập trong nhóm 6, nhóm 7 Nhóm 6 s1 s2 s3 s5 s1 1 s2 *0.139− 1 s3 ***0.254 ***0.245− 1 s5 ***0.356 ***0.22 -0.01 1 Nhóm 7 l3 l4 l5 l3 1 l4 1 l5 1 Mức ý nghĩa (*):(*): 10%; ( **): 5% (***): 1% Nguồn: Tính toán của tác giả ***0.409− ***0.4 ***0.9− 148 Phụ lục 9: Kết quả ước lượng HQ kỹ thuật của các NHTMCP 2010-2014 TT TE2010 TE2011 TE2012 TE2013 TE2014 1 0.546 0.326 0.544 0.187 0.143 2 0.933 1 0.351 0.432 0.527 3 0.208 0.273 0.088 0.4 0.608 4 0.217 0.824 0.672 0.343 0.502 5 0.427 0.39 0.437 0.499 0.453 6 0.659 0.496 0.692 0.854 1 7 0.58 0.732 0.611 0.381 0.033 8 0.732 0.99 1 0.356 0.033 9 0.532 0.501 0.453 0.217 0.394 10 0.448 0.846 1 1 0.629 11 0.706 0.67 0.796 0.509 0.391 12 0.864 0.772 1 1 1 13 0.904 1 0.646 0.928 1 14 0.118 0.104 0.182 0.216 0.252 15 0.344 0.626 0.696 0.402 0.513 16 0.39 0.32 0.007 0.046 0.016 17 0.507 0.513 0.539 0.569 0.453 18 0.521 1 0.696 0.12 0.407 19 0.647 0.696 0.486 1 0.938 20 0.34 0.021 0.03 0.03 0.069 21 0.586 0.124 0.061 0.228 0.138 22 1 0.656 1 0.815 0.905 23 0.567 0.553 0.922 0.504 0.611 24 1 1 0.33 0.33 0.511 149 TT TE2010 TE2011 TE2012 TE2013 TE2014 25 0.343 0 0.333 0.822 0.79 26 0.932 0.62 0.795 0.839 0.84 27 0.559 0.34 0.506 0.06 0.505 28 0.448 0.544 0.597 0.268 0.2 29 0.104 0.549 0.036 0.066 0.002 30 0.857 0.846 1 0.791 0.729 31 0.49 0.529 0.532 0.915 0.958 mean 0.565 0.576 0.55 0.488 0.502 32 0.217 0.72 0.566 33 0.67 0.488 0.366 0.294 34 0.563 0.179 0.143 0.022 35 0.155 0.289 0.179 0 Hình 1: Đồ thị HQ kỹ thuật của các NHTMCP 2010-2014 150 Phụ lục 10: Quyết định 06/2008/QĐ-NHNN ra ngày 12/03/2008 của NHNN Điều 11: Quy định xếp loại các ngân hàng thương mại cổ phần 1. Ngân hàng thương mại cổ phần xếp loại A có tổng số điểm đạt từ 80 điểm trở lên và có điểm số của từng chỉ tiêu quy định tại các điều 5, 6, 7, 8, và 9 Quy định này không thấp hơn 65% số điểm tối đa của từng chỉ tiêu đó. 2. Ngân hàng thương mại cổ phần xếp loại B có tổng số điểm đạt từ 60 điểm đến 79 điểm và có điểm số của từng chỉ tiêu quy định tại các điều 5, 6, 7, 8, và 9 Quy định này không thấp hơn 50% số điểm tối đa của từng chỉ tiêu đó hoặc có tổng số điểm cao hơn 79 điểm nhưng có điểm số của ít nhất một chỉ tiêu từ trên 50% đến dưới 65% số điểm tối đa của chỉ tiêu đó. 3. Ngân hàng thương mại cổ phần xếp loại C có tổng số điểm đạt từ 50 điểm đến 59 điểm và có điểm số của từng chỉ tiêu quy định tại các điều 5, 6, 7, 8 và 9 Quy định này không thấp hơn 45% số điểm tối đa của từng chỉ tiêu đó; hoặc có tổng số điểm cao hơn 59 điểm nhưng có điểm số của ít nhất một chỉ tiêu từ trên 45% đến dưới 50% số điểm tối đa của chỉ tiêu đó. 4. Ngân hàng thương mại cổ phần xếp loại D có tổng số điểm dưới 50 điểm; hoặc có tổng số điểm cao hơn 50 điểm nhưng có điểm số của ít nhất một chỉ tiêu thấp hơn 45% số điểm tối đa của chỉ tiêu đó. Nguồn: Ngân hàng Nhà nước (2008) Phụ lục 11: Kết quả xếp loại các ngân hàng năm 2011, 2012 Mã ngân hàng Xếp loại của luận án Xếp loại của NHNN 1 3 3 2 1 1 3 2 2 4 1 3 5 4 2 6 2 1 7 2 2 8 2 2 9 1 1 10 1 3 151 Mã ngân hàng Xếp loại của luận án Xếp loại của NHNN 11 2 2 12 1 2 13 1 1 14 2 2 15 1 1 16 2 2 17 1 4 18 4 2 19 2 3 20 1 2 21 3 2 22 4 4 23 1 1 24 4 4 25 1 1 26 1 3 27 2 1 28 2 1 29 4 4 30 1 1 31 1 1 32 2 3 33 1 3 34 1 1 35 1 1 152 Kết quả xếp loại các ngân hàng năm 2012 Mã ngân hàng Xếp loại của luận án Xếp loại của NHNN 1 4 2 2 1 1 3 3 4 4 2 2 5 4 2 6 2 1 7 4 2 8 4 2 9 1 1 10 1 3 11 2 2 12 2 2 13 1 1 14 4 2 15 1 1 16 2 2 17 4 4 18 4 3 19 4 2 20 4 2 21 4 2 22 4 4 153 Mã ngân hàng Xếp loại của luận án Xếp loại của NHNN 23 1 1 24 4 4 25 2 1 26 1 3 27 4 1 28 1 1 29 4 4 30 1 1 31 4 1 32 4 2 33 3 3 34 1 1 35 1 1 Nguồn: Tính toán của tác giả và thông tin của NHNN 154 Phụ lục 12: Kết quả xếp loại các NHTMCP năm 2013, 2014 Năm Ngân hàng Xếp hạng Năm Ngân hàng Xếp hạng 2013 1 4 2013 21 3 2 3 23 1 3 1 8 4 4 4 25 4 5 4 26 4 6 1 27 3 9 1 28 4 10 4 29 1 11 1 30 1 12 1 31 1 13 1 33 2 14 4 32 1 15 1 34 1 16 1 35 1 17 4 19 4 18 1 24 1 20 4 Năm Ngân hàng Xếp hạng Năm Ngân hàng Xếp hạng 2014 1 2 2014 23 1 2 2 25 4 3 1 26 1 4 2 27 1 5 2 28 1 6 1 29 1 9 1 30 1 10 1 31 1 11 1 33 2 12 1 32 2 13 1 34 1 16 1 35 1 17 3 24 1 18 2 Nguồn: Tính toán của tác giả