XÂY DỰNG MÔ HÌNH DỰ BÁO HẠNG MỨC TÍN NHIỆM CÁC DOANH NGHIỆP VIỆT NAM

(NGÀNH SẢN XUẤT) - PHẦN 1

( Rating.com.vn - Monday 01.25.10 10:41 pm )

Trong bài viết trước với nhan đề: "Giới thiệu các phương pháp định lượng xây
dựng mô hình dự báo rủi ro tín dụng doanh nghiệp", tôi đã đưa ra rất nhiều phương
pháp định lượng khác nhau. Và cuối cùng tôi lựa chọn hồi quy Logistic để xây
dựng mô hình xếp hạng tín nhiệm doanh nghiệp Việt Nam bởi vì tính phổ biến, khả
thi và dễ dàng áp dụng của nó. Tôi chia sẽ với các bạn nghiên cứu của tôi và mong
muốn nhận được ý kiến đóng góp của các bạn

 Trên thực tế, chúng ta vẫn biết rằng không ít doanh nghiệp có ba báo cáo tài chính: một báo cáo lỗ để "né" thu
một báo cáo lãi để được vay vốn và một báo cáo trung thực chỉ có ban lãnh đạo biết. Tuy nhiên, để lập mô hình
hạng tín nhiệm doanh nghiệp, với rất ít các doanh nghiệp niêm yết có nợ quá hạn, tôi chắc chắn phải dùng đến
cáo tài chính của cơ quan thuế hoặc của ngân hàng như các mô hình khác. Đây là một rủi ro mang tính khách q
trong mẫu quan sát, nên tôi giả định rằng những quan sát thu thập được phần lớn nằm trong số doanh nghiệp tr
thực hoặc tính về trung bình có thể loại bỏ được các yếu tố sai lệch. Khi xây dựng mô hình phải luôn chú ý các
định và quan trọng không kém là mô hình cuối cùng xây dựng được có hiệu quả hay không, trong nghiên cứu n
tôi tập trung vào hiệu quả mô hình. 

Trong nghiên cứu này, chỉ có 23 doanh nghiệp có nợ xấu thu thập được do dữ liệu nợ xấu tại chi nhánh của các
ngân hàng không nhiều, và vấn đề bảo mật thông tin làm cho việc tiếp cận trở nên khó khăn. Để có đủ mẫu cho
trình nghiên cứu, một hướng khác đã được xem xét, mà chưa được kiểm nghiệm hay nghiên cứu nào trong lĩnh
này sử dụng: chọn thêm các doanh nghiệp nợ thuế trên 90 ngày. Danh sách các doanh nghiệp này được đăng tr
website của cục thuế tỉnh Bình Dương và cục thuế Thành phố Hồ Chí minh. Sau đó, báo cáo tài chính của các
nghiệp này được hỗ trợ từ VietnamCredit nếu có, và 11 doanh nghiệp nữa đã được chọn.

Lý do tôi chọn các doanh nghiệp nợ thuế trên 90 ngày với tư cách như một doanh nghiệp có nợ xấu hay nợ quá
là vì: Luật Quản lý Thuế số 78/2006/QH11, điều 106 quy định: "Trường hợp sau 30 ngày, kể từ ngày hết thời h
nộp thuế, người nộp thuế chưa nộp tiền thuế và tiền phạt chậm nộp thì cơ quan quản lý thuế thông báo cho ngư
nộp thuế biết số tiền thuế nợ và tiền phạt chậm nộp" và "xử phạt 0.05% mỗi ngày tính trên số tiền thuế chậm n
Như vậy, doanh nghiệp chậm nộp thuế trên 90 ngày đã biết và chấp nhận chậm nộp thuế cộng tiền phạt. Lãi su
phạt 0.05%/ngày, tương đương 1.5%/tháng, có thể coi như ngang bằng lãi suất quá hạn của ngân hàng. Mặt kh
doanh nghiệp chậm nộp thuế trên 90 ngày cũng phải chịu các biện pháp cưỡng chế để truy thu thuế như cơ qua
thuế trích tiền gửi ngân hàng để thu hồi tiền thuế, kê biên và phát mãi tài sản khác của đối tượng trốn thuế, thu
mã số thuế, đình chỉ sử dụng hóa đơn nhu các doanh nghiệp vay vốn thế chấp tài sản... Vì vậy, doanh nghiệp c
nộp thuế trên 90 ngày chắc chắn đang gặp khó khăn về tài chính, khoản tiền phạt như lãi suất quá hạn cho khoả
vay mà doanh nghiệp phải chi trả. Theo Quyết định 18/2007/QĐ-NHNN, thì doanh nghiệp này được xếp vào l
(nợ dưới tiêu chuẩn).
Đối với các doanh nghiệp không có nợ quá hạn, tôi chọn các công ty đang niêm yết trên sàn HOSE và HASTC. Các
BCTC được lấy trong năm 2005 - 2007, vì mô hình xây dựng mang tính dự báo, đảm bảo doanh nghiệp này không
có nợ xấu trong năm 2008 và quý I/2009. Có thể dữ liệu hơi khập khiễng khi sử dụng doanh nghiệp có nợ xấu
không niêm yết và doanh nghiệp không có nợ xấu được niêm yết trên sở giao dịch chứng khoán, nhưng đó là dữ liệu
tốt nhất tôi có.

Tất cả các doanh nghiệp trong mẫu đều là các công ty sản xuất. Quy mô của các doanh nghiệp không được giới hạn
và nó là một chỉ tiêu mà tôi sẽ đưa vào mô hình. Các doanh nghiệp vừa mới thành lập, hoạt động kinh doanh chưa
ổn định (thường là từ 1-2 năm đầu) không được đưa vào mô hình.

Dữ liệu tâp hợp được gồm 34 doanh nghiệp có nợ quá hạn với 67 BCTC mỗi loại, 17 doanh nghiệp niêm yết với 33
BCTC. Mỗi báo cáo tài chính tương ứng với hoạt động kinh trong một năm của doanh nghiệp. Trung bình mỗi
doanh nghiệp lấy BCTC của một và hai năm trước khi có nợ xấu, mục đích là để làm tăng số quan sát, giải quyết
vấn đề thiếu hụt dữ liệu. Khả năng dự báo của mô hình do đó tốt nhất trong kỳ hạn 1-2 năm trước khi có nợ xấu.
Sau đó, các doanh nghiệp có nợ quá hạn được lọc lại một lần nữa, doanh nghiệp nào có BCTC không đầy đủ hoặc
các chỉ tiêu trong BCTC không ăn khớp với nhau (ví dụ TSNH + TSDH # TTS) sẽ bị loại.

Cuối cùng, 26 doanh nghiệp có nợ quá hạn với 43 BCTC và 17 doanh nghiệp không có nợ xấu với 33 BCTC được
chọn vào mô hình. Tổng cộng: 77 quan sát.

Các chỉ tiêu định lượng đầu vào

Trong bài viết trước, các tỷ số dòng tiền mà Fitch, S&P, Moody's đang sử dụng, các tỷ số của Altman và các tỷ số
đã được kiểm định có hiệu quả ở nhiều nghiên cứu khác dự định được kết hợp với nhau để đưa vào mô hình. Nhưng
do báo cáo tài chính của các công ty thu thập được, thường trình bày ở dạng tóm tắt, không có báo cáo dòng tiền,
thậm chí không có cả lãi vay (14 doanh nghiệp). Vì vậy, 17 biến đầu vào không gồm tỷ số dòng tiền và các tỷ số có
liên quan đến lãi vay. Các biến này, sau đó, chủ yếu lấy từ các nghiên cứu của Altman, Ciaran Walsh (2006), cộng
thêm một số biến mà hiện tại các tổ chức xếp hạng tín nhiệm và ngân hàng Việt Nam đang sử dụng
Các tiêu chuẩn thống kê đòi hỏi số quan sát phải gấp 4 - 5 lần số biến đầu vào (Hosmer - Lemeshow, yêu cầu phải
gấp 10 lần số biến đầu vào) chưa kể các quan sát để kiểm định lại mô hình. Khi số biến quá nhiều so với số quan
sát, các phần mềm thống kê cũng không chạy được hồi quy Logistic, nên số biến sẽ được rút gọn tối thiểu.

Các biến bị loại ra là biến có thể được tính toán từ các biến khác. Ví dụ: D + H = O, thì H bị loại; O = C* P thì biến
C bị loại; (G+1)* I = 1, loại biến I. Việc loại biến nào trong phương trình dựa vào kinh nghiệm rút ra từ các nghiên
cứu khác. Hơn nữa, các biến có quan hệ tuyến tính hay tương tác với nhau nên việc loại biến sẽ làm cho mô hình
đơn giản hơn, đáp ứng yêu cầu thống kê nhưng hiệu quả lại không bị ảnh hưởng đáng kể. Ở ví dụ trên, biến D, O, P,
G được giữ lại do đó là biến trong chỉ số Z và Zeta. Với cách lập luận như trên, các biến sau khi rút gọn được đánh
thứ tự và ký hiệu lại gồm
Y là khả năng trả nợ của doanh nghiệp trong vòng 1 - 2 năm tới, với:

Y = 0: Có nợ xấu (quá hạn trên 90 ngày) hay khả năng trả nợ thấp

Y = 1: Không có nợ xấu hay khả năng trả nợ cao

(Còn tiếp)

Tài liệu tham khảo

1. Được sự hỗ trợ của VietnamCredit về số liệu

2. Ngân hàng Nhà Nước (2007), “Quyết định 18/2007/QĐ-NHNN: 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”, Cổng thông tin điện tử Bộ Tư Pháp
3. Quốc Hội ban hành, “Luật quản lý Thuế số 78/2006/QH 11”,  Cổng thông tin điện tử Bộ Tư Pháp
4. Edward I. Altman (1968), “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy”,
The Journal of Finance
5. Edward I. Altman, “The use of credit scoring models and the important of a credit culture”, New York
University
6. Ciaran Walsh (2006), Key management ratios, Bản dịch của Trần Thị Thu Hằng, Nhà xuất bản Tổng
Hợp TP. HCM

Lê Tất Thành - www.rating.com.vn

XÂY DỰNG MÔ HÌNH DỰ BÁO HẠNG MỨC TÍN NHIỆM CÁC DOANH NGHIỆP VIỆT NAM
(NGÀNH SẢN XUẤT) - PHẦN CUỐI
( Rating.com.vn - Thursday 01.28.10 11:45 pm )

Trong bài viết trước với nhan đề: "Giới thiệu các phương pháp định lượng
xây dựng mô hình dự báo rủi ro tín dụng doanh nghiệp", tôi đã đưa ra rất
nhiều phương pháp định lượng khác nhau. Và cuối cùng tôi lựa chọn hồi
quy Logistic để xây dựng mô hình xếp hạng tín nhiệm doanh nghiệp Việt
Nam bởi vì tính phổ biến, khả thi và dễ dàng áp dụng của nó. Tôi chia sẽ
với các bạn nghiên cứu của tôi và mong muốn nhận được ý kiến đóng góp
của các bạn 

Từ biến phụ thuộc nhị phân Y, hàm hồi quy Logistic sẽ tính xác suất xảy ra Y theo quy tắc:
xác suất >= 0.5 thì doanh nghiệp không có nợ xấu (Good), nếu xác suất < 0.5 thì doanh nghi
có nợ xấu (Bad).

Hàm hồi quy Logistic được thể hiện như sau:

Pi là xác suất doanh nghiệp i trả nợ tốt với n biến độc lập được tính toán từ báo cáo tài chính
i; là các hệ số hồi quy của hàm Logistic. Mười hạng mức tín nhiệm AAA, AA, A, BBB, BB,
CCC, CC, C, D tương ứng với xác suất trả nợ 1 - 0.9, 0.9 - 0.8,..., 0.2 - 0.1, 0.1 - 0.

Hồi quy Logistic với phương pháp Enter. Các tiêu chuẩn đo lường độ phù hợp của mô hình m
nghiên cứu này hướng tới gồm:

 Omnibus Test of Model Coefficients: Kiểm định sự phù hợp của mô hình hồi quy vớ
thiết Ho là các hệ số hồi quy đều bằng 0. Nếu Sig. < Alpha (mức ý nghĩa) thì Ho bị b
bỏ hay mô hình phù hợp.
 Hosmer and Lemeshow Test: Kiểm định giả thiết Ho là các giá trị dự báo phù hợp vớ
giá trị quan sát. Nếu Sig. > Alpha thì chấp nhận Ho. Vì kiểm định này ở tất cả các mô
hình đều cho kết quả phù hợp nên tôi sẽ không lặp lại trong bài viết.
 Mức ý nghĩa của các kiểm định và của hệ số hồi quy (B) được chọn là 5%. Tuy nhiên
khi dữ liệu dưới 100 quan sát, mức ý nghĩa của hệ số hồi quy hoàn toàn có thể chọn 1
Riêng mô hình dùng cho mục đích dự báo, Ramanathan (2003) cho rằng mức ý nghĩa
biến độc lập có thể nhỏ hơn 25%; Altman (1968) cũng đã thêm vào biến X5 để làm t
khả năng phân biệt của mô hình, mà mức ý nghĩa của biến này gần 10%, trong khi 4
còn lại mức ý nghĩa chỉ 0.1%.
  Classification Table: Khả năng phân biệt hay khả năng dự báo của mô hình.
 -2 Log likelihood (-2LL) càng nhỏ càng tốt.

Với số lượng biến đầu vào khá lớn, để tìm được mô hình Logit tốt, nhanh chóng và dễ dàng hơn.
Tôi sử dụng quy trình sau:

1. Phân tích nhân tố và kiểm định thang đo Cronbach's Alpha

Phân tích nhân tố được sử dụng với phương pháp trích Principal components, xoay nhân tố
Varimax để giảm số lượng biến và thể hiện quan hệ tổng quát nhất của các biến độc lập. 
Phân tích nhân tố dựa trên các tiêu chuẩn 

 KMO >= 0.5: Phân tích nhân tố phù hợp với dữ liệu
 Sig (Barlett) < 5%: Các biến độc lập có tương quan với nhau xét trên phạm vi tổng thể.
 Tổng phương sai trích >= 50%
 Các biến được giữ lại khi |hệ số tải nhân tố| max >= 0.5 và khoảng cách giữa |hệ số tải
nhân tố| lớn thứ nhất và thứ nhì của mỗi biến >= 0.3

Kiểm định thang đo Cronbach's Alpha dựa trên các tiêu chuẩn

 Cronbanh' Alpha >=0.6

 Tương quan biến tổng của mỗi biến >= 0.3

Đầu tiên, phân tích nhân tố cho tất cả 13 biến, các tiêu chuẩn đều phù hợp, 5 nhân tố đươc rút ra.

 
Sau
đó,
thực
hiện kiểm định Cronbach's Alpha cho 5 thang đo ứng với 5 nhân tố trên (các bảng phân tích này
rất dài nên tôi không đưa chi tiết lên web). Kết quả:

 Thang đo C, K; thang đo H, L và thang đo D, G, M không phù hợp nên bị loại.

 Thang đo I, J và thang đo E, F, A, B phù hợp. Hai nhân tố 1 và 4 được lưu lại và hồi quy
chuẩn hóa thành hai nhân số X1 và X2.

X1 (E, F, A, B) và X2 (I, J) có ý nghĩa khá phù hợp với kỳ vọng ban đầu, nên hai nhân số này
được đặt tên như sau:

 X1 Khả năng tăng trưởng và sinh lợi

 X2 Khả năng thanh toán ngắn hạn

Hồi quy Logistic Y theo X1 và X2, xem xét tác động tổng thể của các biến độc lập tới Y. 

Kết quả từ mô hình trên cho thấy, hệ số hồi quy của X1 không có ý nghĩa thống kê nhất với sig.
> 5%. Loại X1 và hồi quy Logistic Y với X2.
Mô hình thứ 2 có -2LL tăng, khả năng phân biệt (Classcification Table, CT) giảm khá nhiều, hệ
số hồi quy X2 cũng không được cải thiện. Do đó, X1 cần được giữ lại để phục vụ mục đích dự
báo.
Như vậy, về mặt tổng quát, qua phân tích nhân tố mẫu thống kê, rủi ro tín dụng nên được giải
thích bằng khả năng tăng trưởng, khả năng sinh lợi và khả năng thanh toán trong mô hình dự báo
hạng mức tín nhiệm doanh nghiệp.
 
2. Kiểm tra dấu, mức ý nghĩa, khả năng phân biệt của các biến độc lập
 
Nếu như phân tích nhân tố cho thấy tác động của các nhân tố chung nhất đối với khả năng trả nợ
của doanh nghiệp thì phần này cho thấy từng biến sẽ tác động như thế nào đến khả năng trả nợ
của doanh nghiệp đó, bằng cách hồi quy Logistic từng biến độc lập với Y.
Kết quả này cho thấy:

 Các biến có ý nghĩa nhất (Sig < 5%) lần lượt là D, F, G, I, E.

 Các biến phân biệt tốt nhất (chọn CT > 60%) lần lượt là D, G, I, F, E, J, K.
 Các biến phù hợp với bộ dữ liệu nhất (chọn -2LL < 100) lần lượt là D, F, G, I, E, K, J, L.
 Các biến có dấu bất thường gồm H: DTT/KPThu, M: Log(TTS). Nguyên nhân có thể do
số quan sát không đủ lớn và không đa dạng để tách biệt các doanh nghiệp. Như
Log(TTS) có trung bình = 10.9 nhưng độ lệch chuẩn chỉ 0.6.

Tóm lại, các biến đáp ứng tốt nhất các tiêu chuẩn thống kê đề ra lần lượt là D, F, G, I, E và
chúng sẽ được cân nhắc đưa vào mô hình.

3. Mô hình dự báo hạng mức tín nhiệm doanh nghiệp Việt Nam (áp dụng cho các doanh
nghiệp sản xuất)
 
Trước khi sử dụng tiêu chuẩn -2LL và khả năng phân biệt, mô hình cần được xây dựng trên nền
tảng các biến độc lập có ý nghĩa thống kê, tức là các biến trong mô hình phải có sig. <= 5%. Đây
là điều kiện cần đối với mô hình hồi quy.
 
Hồi quy Logistic Y theo 13 biến độc lập, loại dần các biến dựa trên mức ý nghĩa của hệ số hồi
quy cho đến khi mô hình có ý nghĩa thống kê (tóm tắt 5 mô hình tốt nhất)
  
Notes: -2LL: -2 Log Likelihood, CT: Classification Table, OB: Omnibus Test of Model
Coefficients, HL: Hosmer and Lemeshow Test
 
Mô hình 1.11 là mô hình thỏa tiêu chuẩn đầu tiên với các biến độc lập đều có ý nghĩa B, D, E.
Nhưng mô hình này có độ phù hợp và khả năng phân biệt nợ xấu không tốt lắm, cũng không
gồm các tỷ số trong thang đo khả năng thanh toán X2 (I, J) và 3 biến tốt nhất còn lại đã phân tích
ở mục 2 (F, G, I). Nên cần kết hợp F, G, I, J với B, D, E để cải thiện mô hình. Chạy lại mô hình
và Vẫn dùng mức ý nghĩa 5% để loại biến.
 

 
Từ kết quả này, mô hình kết hợp 2.3 được đánh giá là mô hình tốt hơn ở các khía cạnh sau:

 Mức ý nghĩa của B, D, E trong mô hình 2.3 nhỏ hơn so với mô hình 2.4, 1.11
 -2LL của mô hình 14.3 nhỏ hơn -2LL của mô hình 2.4, 2.11
 Khả năng phân biệt 86.5%, mức cao nhất trong các mô hình đã hồi quy.
Tuy nhiên, mô hình 2.3 gặp phải vấn đề mà tôi tạm lờ đi là đa cộng tuyến. Thể hiện ở dấu hệ số
hồi quy của biến B và G bị đảo ngược; trong khi ở bảng tương quan dưới đây, dấu hệ số hồi quy
riêng phần của biến B và G với Y phù hợp. Mặt khác, tương quan B và E = 0.86, G và D = -0.66
có trị tuyệt đối lớn hơn 0.5, đã chỉ ra những tín hiệu cho thấy có hiện tượng đa cộng tuyến mạnh
giữa B và E, G và D.

Theo Ramanathan (2003), đa cộng tuyến có thể không ảnh hưởng đến khả năng dự báo của mô
hình và thậm chí có thể cải thiện khả năng dự báo như mô hình 2.3. Đa cộng tuyến cũng là một
vấn đề của dữ liệu nhiều hơn là một vấn đề của bản thân mô hình, nên nhiều nhà kinh tế lượng
cho rằng các kiểm định thông thường nếu không vô nghĩa thì cũng không thu thập được gì
(Maddala, 1977). Hướng giải quyết đa cộng tuyến gồm bỏ qua vấn đề này, loại bỏ các biến, tăng
kích thước mẫu hoặc tái thiết lập mô hình.
 
Trong nghiên cứu này, với số quan sát hạn chế và mục đích chính là dự báo, mô hình 2.3 được
chấp nhận, sử dụng mức ý nghĩa 25%. Xét lại các mô hình đã hồi quy, hai mô hình khác cũng
đáp ứng các tiêu chuẩn như mô hình 2.3 là mô hình 1.7 và 1.8. Nhưng 1.7 bao gồm 1.8 và hai
mô hình này không khác biệt đáng kể nên mô hình 1.7 và 2.3 được đề nghị và mức xác suất trả
nợ thấp hơn trong hai mô hình sẽ được lựa chọn theo nguyên tắc thận trọng. Tác động của đa
cộng tuyến làm hệ số hồi quy chuẩn hóa không thể hiện đúng tác động của các biến độc lập đến
Y, nên không cần thiết phải giải thích, so sánh các hệ số hồi quy này.

 
4. Kiểm định mô hình
 
Kiểm định lại các mô hình đề nghị đối với BBT và so sánh với chỉ số Z của Altman. Dường như
chỉ số Z thể hiện đúng xu hướng của BBT hơn các mô hình 1.7 và 2.3 (khả năng trả nợ của BBT
trong năm 2009 và 2010 chưa biết nhưng đang xấu đi). Mặc dù vậy, các mô hình đề nghị cũng
phản ánh được phần nào thực trạng BBT từ 2002 đến 2007.

Bên cạnh BBT, tôi cũng thử dự báo xác suất trả nợ của 11 công ty niêm yết trên HOSE và
HASTC từ 2004 đến 2008 (47 quan sát): VNM, FPT, DPM, REE, SAM, BHS, VHG, TRI, TPC,
VTA, MPC. Các công ty này không có nợ quá hạn nhưng REE, SAM, BHS, VHG, TRI, TPC,
VTA, MPC trong năm 2008 có kết quả kinh doanh lỗ và bị đưa vào diện kiểm soát bởi HOSE và
HASTC. Kết quả cho thấy các công ty có kết quả kinh doanh lỗ trong năm 2008 thì xác suất trả
nợ thấp trong một vài năm trước, còn VNM, FPT, DPM thì có xác suất trả nợ cao.
5. Kết luận
 
So với yêu cầu đặt ra, mô hình đề nghị đã giải quyết được nhiều vấn đề về phương pháp luận.
Tuy nhiên, hiệu quả thực nghiệm của mô hình không thỏa mãn khi áp dụng trong thực tế. Điều
này xuất phát từ hạn chế của nguồn dữ liệu thu thập từ các doanh nghiệp không đủ lớn và không
đa dạng; đầu vào mô hình không thể bao gồm các biến đánh giá rủi ro tín dụng nổi bật đã nghiên
cứu như các tỷ số dựa trên dòng tiền, lãi vay, EBIT, EBITDA...; biến định tính "Loại hình doanh
nghiệp" (Doanh nghiệp nước ngoài, nhà nước, tư nhân, trách nhiệm hữu hạn, cổ phần, niêm yết
hay không niêm yết) mà có thể ảnh hưởng đáng kể đến khả năng trả nợ của doanh nghiệp Việt
Nam cũng không được bàn tới. 
 
Mô hình chọn chủ quan các doanh nghiệp không có nợ xấu trên HOSE và HASTC như những
doanh nghiệp có rủi ro tín dụng thấp nhất và chọn các doanh nghiệp có nợ quá hạn trên 90 ngày
như những doanh nghiệp có rủi ro tín dụng cao nhất, tương đương hạng mức tín nhiệm D, nên
xác suất trả nợ dự báo được thường thấp hơn thực tế hay thấp đột ngột khi hoạt động kinh doanh
tương đối xấu đi và các hạng mức tín nhiệm không phản ánh đồng đều rủi ro tín dụng của doanh
nghiệp. Mô hình đề nghị, do đó, khó đạt được độ tin cậy kiểm định và độ tin cậy tiên nghiệm ở
mức cao.
 
Lê Tất Thành - Website www.rating.com.vn 
Định mức tín nhiệm là gì?
Gửi email  
Bản in  
03:49' PM -
Chủ nhật,
TBKTSG 13/07/2008

Gần đây, tổ chức định mức tín nhiệm Standard & Poor’s có xếp hạng Việt Nam
là BB/BB+/stable. Một số ngân hàng như Kỹ thương (Techcombank) hay Ngoại
thương (Vietcombank) cũng cho biết họ được xếp hạng là BB/B/stable. Việc
xếp hạng này có ý nghĩa gì?

Định mức tín nhiệm là gì?

Hiện nay, trên thế giới có ba tổ chức định mức tín nhiệm lớn là Standard &
Poor’s, Moody’s và Fitch Ratings. Cách xếp hạng của họ căn bản là giống
nhau, chỉ có điều họ ký hiệu hơi khác nhau một chút. Ví dụ Standard & Poor’s
thì dùng BB còn Moody’s thì dùng Ba...

Trên quy mô quốc gia, khi được đánh giá là BB/BB+/stable có nghĩa là nghĩa
vụ trả nợ của Việt Nam khi phát hành trái phiếu bằng ngoại tệ được xếp là BB,
còn trái phiếu nội tệ là BB+ và tương lai chưa có gì thay đổi (stable).

Đối với Standard & Poor’s, mức xếp hạng này được coi là dưới điểm đầu tư,
tức nếu Việt Nam phát hành trái phiếu ra nước ngoài thì sẽ phải trả lãi suất cao.
Khi một quốc gia được đánh giá từ mức BBB cho đến AAA thì trái phiếu của
quốc gia đó mới được coi là ở điểm đầu tư (investment grade).

Những khái niệm này rất có ý nghĩa đối với các nhà đầu tư, đặc biệt là các quỹ
hưu trí (pension fund). Ở nước ngoài, nhất là ở Mỹ, các quỹ hưu trí là những
quỹ đầu tư có quy mô lớn nhất. Mục tiêu của những quỹ này được xếp theo thứ
tự là an toàn, thanh khoản và lợi nhuận. Chúng hầu như chỉ đầu tư vào những
tài sản nào được xếp hạng ở điểm đầu tư.

Như vậy, khi một quốc gia hay một tổ chức nào có mức tín nhiệm nằm trong
khoảng từ BBB cho đến AAA tức là đã rơi vào tầm ngắm của chúng.

Đối với Việt Nam, chỉ còn một nấc (notch) nữa là đạt đến điểm đầu tư.
Standard & Poor’s cho rằng Việt Nam có triển vọng đó (positive), nhưng với
điều kiện phải “tiếp tục cải cách và lành mạnh hóa hệ thống ngân hàng”. Đặc
biệt là cơ chế hoạt động của ngân hàng phải minh bạch hơn, điều này sẽ thể
hiện qua việc cổ phần hóa thành công các ngân hàng quốc doanh trong tương
lai.

Hiện nay, trái phiếu Chính phủ Mỹ được coi là loại tài sản an toàn nhất. Chúng
được xếp hạng ở mức cao nhất là AAA. Rất nhiều các ngân hàng trung ương
trên thế giới, không loại trừ Việt Nam, đều sở hữu trái phiếu này.

Báo chí cho biết, trong những tháng đầu năm, Ngân hàng Nhà nước Việt Nam
đã mua vào 7 tỉ đô la Mỹ để tăng dự trữ. Để có bảy tỉ đô la này thì cần một
lượng tiền đồng tương ứng là 112.000 tỉ, và để tránh lạm phát thì Ngân hàng
Nhà nước phải tung các loại giấy tờ có giá ngắn hạn ra để thu lượng tiền đồng
về. Phát hành giấy nợ thì phải trả lãi, như vậy không lẽ Ngân hàng Nhà nước
mua ngoại tệ mang về bỏ vào két để rồi phải trả lãi cho những giấy nợ kia? Có
lẽ không.

Nếu Ngân hàng Nhà nước đầu tư một phần vào trái phiếu Chính phủ Mỹ thì giờ
đã có lãi kha khá vì giá trái phiếu này gần đây tăng lên do thị trường cho vay
nhà đất ở Mỹ gặp vấn đề. Khi cổ phiếu trên các thị trường thế giới sụt giảm thì
các nhà đầu tư có xu hướng tìm đến những loại tài sản an toàn như trái phiếu
Chính phủ Mỹ.

Tuy nhiên vẫn có một điều khó hiểu, đó là có tiền dư mang đi đầu tư thì tại sao
Chính phủ Việt Nam lại có ý định phát hành thêm 1 tỉ đô la trái phiếu ra nước
ngoài trong năm nay?

Nguồn:  TBKTSG
Số lượt đọc:  983  -  Cập nhật lần cuối:  11/12/2008 03:23:46 PM