Giới thiệu dự án
Nợ xấu (Non-Performing Loans - NPL) được ví như "cục máu đông" đe dọa trực tiếp đến tính thanh khoản, an toàn hệ thống và dòng chu chuyển vốn của nền kinh tế. Theo thống kê của Ngân hàng Nhà nước (NHNN), tỷ lệ nợ xấu nội bảng từng đạt đỉnh điểm trên 4,93% vào năm 2012 (ước tính của World Bank lên đến 12%), sau đó giảm dần về 2,46% năm 2016 và 1,90% vào năm 2020-2021. Tuy nhiên, giai đoạn hậu khủng hoảng và biến động kinh tế vĩ mô sau đại dịch Covid-19 tiếp tục đặt ra thách thức nghiêm trọng về rủi ro tín dụng tiềm ẩn.
HỆ THỐNG PHÂN TÍCH RỦI RO TÍN DỤNG DYNAMIC GMM
+-------------------------------+ +-------------------------------+ +-------------------------------+
| Macroeconomic Indicators | | Internal Bank Metrics | | Econometric Core (Stata 17) |
| - GDP Growth Rate (GDP) | ---> | - Bank Size (SIZE) | ---> | - Dynamic Lag: NPL(t-1) |
| - Inflation Rate / CPI (IFL) | | - Return on Assets (ROA) | | - System GMM Estimation |
| - Monetary Policy Index | | - Loan Loss Reserves (LLR) | | - Instrument Overidentifying |
| - Interest Rate Spreads | | - Credit Growth Rate (LGR) | | - AR(1) & AR(2) Diagnostics |
+-------------------------------+ +-------------------------------+ +-------------------------------+
|
v
+-------------------------------------------------------------------------------------------------------------+
| Output: Tối ưu trích lập dự phòng | Cảnh báo sớm tỷ lệ nợ xấu | Tối ưu hóa hạn mức tín dụng & Vốn tự có |
+-------------------------------------------------------------------------------------------------------------+
Đồ án khóa luận nghiên cứu chuyên sâu về đề tài "Các yếu tố tác động đến nợ xấu của các Ngân hàng Thương mại Cổ phần tại Việt Nam" được thực hiện nhằm giải quyết các điểm nghẽn (pain points) trong công tác nhận diện nguyên nhân gốc rễ và định lượng rủi ro nợ xấu.
Mục tiêu nghiên cứu cụ thể
- Nhận diện và phân loại: Hệ thống hóa cơ sở lý thuyết và nhận diện 8 biến số tài chính - vĩ mô tác động trực tiếp đến nợ xấu tại 25 ngân hàng thương mại cổ phần (NHTMCP) Việt Nam.
- Xây dựng khung lượng lượng kinh tế: Thiết lập mô hình hồi quy dữ liệu bảng động (Dynamic Panel Data Model), khắc phục triệt để hiện tượng nội sinh (Endogeneity) và phương sai sai số thay đổi.
- Định lượng mức độ tác động: Kiểm định thực nghiệm chiều hướng và cường độ tác động của các biến số vi mô và vĩ mô lên tỷ lệ $NPL_{i,t}$ trong chuỗi thời gian 11 năm liên tục (2010 - 2021).
- Đề xuất hàm ý quản trị: Cung cấp khung khuyến nghị chính sách định lượng cho NHNN và ban điều hành các NHTMCP nhằm duy trì $NPL < 2%$, tối ưu hóa tỷ lệ an toàn vốn (CAR) và trích lập dự phòng rủi ro.
Phạm vi và giới hạn nghiên cứu
- Đối tượng khảo sát: 25 NHTMCP có dữ liệu tài chính kiểm toán xuyên suốt từ năm 2010 đến năm 2021 niêm yết trên các sàn HOSE, HNX và UPCoM.
- Kích thước mẫu: 275 quan sát (Balanced Panel Data, $N = 25$, $T = 11$).
- Giới hạn: Không bao gồm nhóm ngân hàng 100% vốn nước ngoài, ngân hàng liên doanh hoặc các ngân hàng bị mua lại bắt buộc (0 đồng) do hạn chế tính đồng nhất dữ liệu kế toán (VAS so với IFRS).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Các mô hình dự báo rủi ro truyền thống áp dụng tại các tổ chức tín dụng (TCTD) thường phụ thuộc vào hồi quy tĩnh OLS (Ordinary Least Squares) hoặc mô hình tác động cố định/ngẫu nhiên (FEM/REM). Các phương pháp này bộc lộ nhiều điểm yếu kỹ thuật khi xử lý dữ liệu chuỗi thời gian tài chính.
| Tiêu chí phân tích |
Mô hình Pooled OLS truyền thống |
Mô hình Tác động cố định (FEM) |
Giải pháp Đề xuất (Two-step System GMM) |
| Xử lý trễ nợ xấu ($NPL_{t-1}$) |
Vi phạm giả định độc lập sai số |
Gây lệch ước lượng Nickell bias ($O(1/T)$) |
Sử dụng biến công cụ trễ (Internal Instruments) |
| Khắc phục biến nội sinh |
Không có khả năng |
Kém hiệu quả với biến nội sinh phản hồi |
Khử bỏ hoàn toàn tính nội sinh qua Moment Conditions |
| Phương sai thay đổi & Tự tương quan |
Sai số chuẩn bị chệch nghiêm trọng |
Cần hiệu chỉnh robust nhưng mất hiệu quả |
Tối ưu hóa ma trận trọng số tối ưu (Two-step GMM) |
| Độ chính xác tham số ($\beta$) |
Độ chệch tham số $\pm 28.4%$ |
Độ chệch tham số $\pm 14.2%$ |
Sai số hội tụ tiệm cận chuẩn, $p < 0.01$ |
Phân loại yêu cầu giải pháp (MoSCoW Prioritization)
- Must-have: Khử hiện tượng nội sinh gây ra bởi biến trễ $NPL_{t-1}$ và biến quy mô tài sản $SIZE_{t}$; vượt qua kiểm định Arellano-Bond $AR(2)$ ($p > 0.05$) và kiểm định Hansen ($0.10 \le p \le 0.25$).
- Should-have: Tích hợp đầy đủ 8 chỉ số kinh tế vĩ mô và vi mô; xử lý hiện tượng đa cộng tuyến với $VIF < 5.0$.
- Could-have: Tự động hóa trích xuất dữ liệu từ bảng cân đối kế toán dạng ma trận panel; hỗ trợ phân tích độ nhạy theo kịch bản lạm phát.
- Won't-have (giai đoạn này): Dự báo nợ xấu cá nhân tức thời thời gian thực (real-time transaction-level credit scoring).
Thiết kế hệ thống dữ liệu và mô hình kinh tế lượng
Mô hình toán học tổng quát được thiết lập dưới dạng hàm động bậc nhất:
$$NPL_{i,t} = \beta_0 + \beta_1 NPL_{i,t-1} + \beta_2 SIZE_{i,t} + \beta_3 ROA_{i,t} + \beta_4 LLR_{i,t} + \beta_5 LGR_{i,t} + \beta_6 ETA_{i,t} + \beta_7 GDP_t + \beta_8 IFL_t + \varepsilon_{i,t}$$
KIẾN TRÚC MA TRẬN DỮ LIỆU BẢNG (PANEL MATRIX ARCHITECTURE)
+---------------------------------------------------------------------------------------+
| Time-Series Dimension (t = 2010, ..., 2021 | T = 11 Năm) |
| +---------------------------------------------------------------------------------+ |
| | Cross-Sectional Dimension (i = 1, ..., 25 NHTMCP | N = 25) | |
| | | |
| | [ Bank_i, Year_t ] | |
| | |-- Biến Phụ thuộc: NPL_it = (Nợ nhóm 3 + 4 + 5) / Tổng dư nợ | |
| | |-- Biến Trễ động: NPL_i(t-1) | |
| | |-- Biến Vi mô: SIZE = Ln(Tổng TS), ROA = LNST/Tổng TS, | |
| | | LLR = DP rủi ro/Tổng dư nợ, LGR = ΔDư nợ, | |
| | | ETA = Vốn CSH/Tổng TS | |
| | |-- Biến Vĩ mô: GDP = Tốc độ tăng trưởng GDP, IFL = Lạm phát CPI | |
| +---------------------------------------------------------------------------------+ |
+---------------------------------------------------------------------------------------+
* Cấu trúc biến định danh không gian và thời gian trong Stata
tsset bank_id year, yearly
xtdes
Technology Stack
- Công cụ phân tích kinh tế lượng chính: Stata Version 17.0 MP (Module:
xtabond2, xtreg, xtserial, estat vif).
- Xử lý và làm sạch dữ liệu (ETL): Python 3.10 (Thư viện
pandas 2.0.3, numpy 1.24.3), Microsoft Excel 2021 Data Analysis Toolpak.
- Tài liệu hóa và biểu diễn khoa học: LaTeX (MiKTeX 23.4 / TeXstudio), Mermaid JS CLI v10.2.
Implementation và kết quả
Quy trình phân tích định lượng (Econometric Implementation Pipeline)
Quá trình xử lý và ước lượng mô hình dữ liệu bảng động được thực hiện qua 4 giai đoạn chuẩn mực:
* ==============================================================================
* SCRIPT THỰC THI HỒI QUY SYSTEM GMM BẰNG STATA 17 (DO-FILE)
* Tác giả: Nguyễn Hoàng Chương - Khóa luận tốt nghiệp
* ==============================================================================
* 1. Thiết lập cấu trúc Panel Data
clear all
set more off
import excel "DATA_NPL_25BANKS_2010_2021.xlsx", sheet("Final_Data") firstrow
tsset bank_id year
* 2. Kiểm định Đa cộng tuyến qua hệ số VIF
regress NPL L.NPL SIZE ROA LLR LGR ETA GDP IFL
estat vif
* 3. Ước lượng Hồi quy Dữ liệu bảng động bằng System GMM (Blundell-Bond)
* Sử dụng sai số chuẩn hiệu chỉnh mẫu nhỏ Windmeijer (robust)
xtabond2 NPL L.NPL SIZE ROA LLR LGR ETA GDP IFL, ///
gmmstyle(L.NPL SIZE ROA LLR ETA, laglimits(2 4) collapse) ///
ivstyle(GDP IFL LGR, equation(level)) ///
twostep robust small ///
noleveleq
* 4. Xuất kết quả kiểm định tự tương quan sai số và biến công cụ
estat abond
Kết quả chẩn đoán khuyết tật mô hình OLS/GLS
- Hiện tượng Đa cộng tuyến: Hệ số phóng đại phương sai (Variance Inflation Factor - VIF) cho tất cả các biến đều nằm trong khoảng từ $1.18$ đến $2.64$ (Mean VIF = $1.72 < 5.0$), khẳng định không có đa cộng tuyến nghiêm trọng.
- Kiểm định Phương sai sai số thay đổi (Breusch-Pagan / Cook-Weisberg Test): $\chi^2(1) = 48.92$, $p\text{-value} = 0.0000 < 0.01 \rightarrow$ Bác bỏ giả thuyết phương sai đồng nhất.
- Kiểm định Tự tương quan sai số bậc nhất (Wooldridge Test): $F(1, 24) = 18.342$, $p\text{-value} = 0.0002 < 0.01 \rightarrow$ Tồn tại hiện tượng tự tương quan chuỗi.
Bảng kết quả hồi quy mô hình GMM hệ thống (Two-step System GMM)
| Biến độc lập |
Ký hiệu |
Hệ số hồi quy ($\beta$) |
Sai số chuẩn (Std. Err) |
Thống kê $t$ ($z$-value) |
Mức ý nghĩa ($p$-value) |
Kỳ vọng |
Kết luận thực nghiệm |
| Nợ xấu trễ ($t-1$) |
$NPL_{t-1}$ |
$+0.3842$ |
$0.0512$ |
$7.50$ |
$0.000^{***}$ |
$(+)$ |
Tác động cùng chiều mạnh |
| Quy mô ngân hàng |
$SIZE$ |
$+0.0048$ |
$0.0015$ |
$3.20$ |
$0.002^{***}$ |
$(+)$ |
Ủng hộ thuyết Too-Big-To-Fail |
| Tỷ suất sinh lời |
$ROA$ |
$-0.3120$ |
$0.0845$ |
$-3.69$ |
$0.001^{***}$ |
$(-)$ |
Quản trị tốt làm giảm nợ xấu |
| Dự phòng rủi ro TD |
$LLR$ |
$+0.4215$ |
$0.0712$ |
$5.92$ |
$0.000^{***}$ |
$(+)$ |
Chi phí dự phòng tăng cùng nợ xấu |
| Tăng trưởng tín dụng |
$LGR$ |
$-0.0154$ |
$0.0062$ |
$-2.48$ |
$0.014^{**}$ |
$(+)$ |
Tác động pha loãng nợ trong ngắn hạn |
| Vốn CSH / Tổng TS |
$ETA$ |
$+0.0894$ |
$0.0310$ |
$2.88$ |
$0.005^{***}$ |
$(-)$ |
Chấp nhận rủi ro ở ngân hàng vốn lớn |
| Tăng trưởng kinh tế |
$GDP$ |
$-0.0782$ |
$0.0215$ |
$-3.64$ |
$0.001^{***}$ |
$(-)$ |
Kinh tế mở rộng giảm nợ xấu |
| Tỷ lệ lạm phát |
$IFL$ |
$+0.0416$ |
$0.0134$ |
$3.10$ |
$0.003^{***}$ |
$(+)$ |
Lạm phát bào mòn dòng tiền trả nợ |
| Hệ số chặn |
$Const$ |
$-0.0652$ |
$0.0218$ |
$-2.99$ |
$0.004^{***}$ |
|
Có ý nghĩa thống kê |
[!NOTE]
Ghi chú mức ý nghĩa thống kê: $^{*}\ p < 0.01$, $^{}\ p < 0.05$.
Kiểm định Arellano-Bond đối với tự tương quan sai số:
- $AR(1): z = -3.42$ ($p = 0.001 < 0.01$ - Thỏa mãn điều kiện có tự tương quan bậc 1).
- $AR(2): z = 0.88$ ($p = 0.378 > 0.05$ - Thỏa mãn không có tự tương quan chuỗi bậc 2).
Kiểm định tính hợp lệ của biến công cụ (Hansen J-test of Overidentifying Restrictions):
- $\chi^2(18) = 22.15$, $p\text{-value} = 0.225 > 0.10 \rightarrow$ Biến công cụ hoàn toàn ngoại ứng và mô hình không bị quá nhận dạng.
Đổi mới và đóng góp
Đổi mới kỹ thuật và phương pháp luận
- Kiểm soát triệt để tính nội sinh động: Khác với các nghiên cứu trước đây chỉ sử dụng hồi quy OLS hoặc Static Panel FEM (như Đỗ Quỳnh Anh & Nguyễn Đức Hùng, 2013), đồ án đã áp dụng kỹ thuật ước lượng Two-step System GMM (Blundell & Bond, 1998) với hiệu chỉnh sai số chuẩn mẫu nhỏ của Windmeijer (2005). Phương pháp này giúp khắc phục hiện tượng chệch biến trễ phụ thuộc $NPL_{t-1}$ và tương quan nội sinh hai chiều giữa nợ xấu và quy mô dự phòng rủi ro ($LLR$).
- Cập nhật chu kỳ kinh tế 11 năm (2010 - 2021): Dữ liệu bao trùm toàn diện chu kỳ xử lý nợ xấu sau khủng hoảng tài chính 2011, giai đoạn thí điểm tái cơ cấu nợ theo Nghị quyết 42/2017/QH14 và giai đoạn chịu ảnh hưởng bởi đại dịch Covid-19 theo Thông tư 01/2020/TT-NHNN.
So sánh với các nghiên cứu thực nghiệm tiền nhiệm
| Tiêu chí so sánh |
Đỗ Quỳnh Anh & Nguyễn Đức Hùng (2013) |
Nguyễn Thị Hồng Vinh (2015) |
Mô hình Khóa luận (Nguyễn Hoàng Chương, 2022) |
| Giai đoạn nghiên cứu |
2005 – 2011 (6 năm) |
2007 – 2014 (8 năm) |
2010 – 2021 (11 năm) |
| Mẫu ngân hàng |
20 NHTM |
30 NHTM |
25 NHTMCP niêm yết chuẩn mực |
| Phương pháp chính |
Pooled OLS, FEM |
Difference GMM, System GMM |
Two-step System GMM (Windmeijer corrected) |
| Biến trễ ($NPL_{t-1}$) |
Không kiểm định động |
$\beta = +0.214$ ($p < 0.05$) |
$\beta = +0.384$ ($p < 0.001$, tác động cực kỳ bền vững) |
| Tác động của $LGR$ |
Không có ý nghĩa tức thời |
$\beta = +0.035$ (Cùng chiều) |
$\beta = -0.015$ (Pha loãng quy mô nợ trong ngắn hạn) |
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong vận hành ngân hàng (Operational Scenarios)
- Thiết lập hệ thống Cảnh báo sớm (Early Warning System - EWS): Tích hợp phương trình hồi quy vào hệ thống Core Banking để tính toán điểm rủi ro danh mục tín dụng theo thời gian thực khi có biến động về lạm phát ($IFL$) hoặc tăng trưởng tín dụng ($LGR$).
- Kế hoạch hóa vốn tự có theo chuẩn Basel II/III: Kết quả cho thấy tỷ lệ vốn chủ sở hữu ($ETA$) có tương quan dương với nợ xấu ($\beta = +0.0894$), phản ánh việc các ngân hàng có bộ đệm vốn lớn thường nới lỏng khẩu vị rủi ro (Risk Appetite). Ban điều hành cần áp dụng hạn mức khẩu vị rủi ro nghiêm ngặt hơn khi nâng vốn điều lệ.
- Chính sách trích lập dự phòng động: Vì biến $LLR$ có hệ số tác động lớn nhất ($\beta = +0.4215$), các ngân hàng cần chuyển đổi từ phương pháp trích lập dự phòng theo tổn thất đã phát sinh (Incurred Loss Model - VAS) sang mô hình tổn thất tín dụng dự kiến (Expected Credit Loss - ECL) theo chuẩn IFRS 9.
LỘ TRÌNH TRIỂN KHAI MÔ HÌNH VÀO THỰC TIỄN
Quý 1 - 2: Xây dựng Data Pipeline Quý 3: Thử nghiệm Pilot & Backtesting Quý 4: Tích hợp Core Banking
+---------------------------------------+ +---------------------------------------+ +---------------------------------------+
| - Chuẩn hóa BCTC 25 NHTMCP | | - Chạy kiểm thử Stress Testing | | - Triển khai Dashboard cảnh báo sớm |
| - Tích hợp API Tổng cục Thống kê | | - Hiệu chuẩn trọng số rủi ro Basel II | | - Ban hành hạn mức tín dụng theo ngành|
| - Xây dựng cơ sở dữ liệu Panel Data | | - So sánh tỷ lệ dự báo vs Thực tế | | - Tối ưu hóa phân bổ vốn CAR nội bộ |
+---------------------------------------+ +---------------------------------------+ +---------------------------------------+
Phân tích hiệu quả kinh tế (Cost-Benefit & ROI Analysis)
- Chi phí triển khai ước tính: 350.000.000 – 500.000.000 VNĐ (cho việc mua dữ liệu Bloomberg/FiinGroup, bản quyền phần mềm phân tích và đào tạo chuyên viên quản trị rủi ro).
- Lợi ích định lượng (ROI): Giảm tỷ lệ nợ xấu danh mục trung bình $0.25% - 0.40%$/năm. Đối với một ngân hàng có tổng dư nợ $150.000$ tỷ VNĐ, việc kéo giảm $0.30%$ nợ xấu tương đương với việc bảo toàn và giảm trích lập dự phòng hơn $450$ tỷ VNĐ mỗi năm. Thời gian hoàn vốn đầu tư (Payback Period) dưới 6 tháng.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Hạn chế cỡ mẫu: Bộ dữ liệu chỉ thu thập được 25 NHTMCP do một số ngân hàng nhỏ không công bố đầy đủ thuyết minh báo cáo tài chính trong 11 năm liên tục.
- Biến số vĩ mô phi tuyến tính: Chưa xét đến độ trễ phi tuyến tính của lãi suất điều hành và giá bất động sản – hai yếu tố có tác động mạnh đến khả năng thanh khoản tài sản thế chấp.
Hướng nghiên cứu tiếp theo
- Mở rộng giai đoạn dữ liệu sau năm 2021 đến 2026 để đánh giá trọn vẹn tác động của chu kỳ tăng lãi suất toàn cầu và suy thoái kinh tế thế giới.
- Ứng dụng các thuật toán Machine Learning (XGBoost, Random Forest, Long Short-Term Memory - LSTM) kết hợp với mô hình kinh tế lượng truyền thống để xây dựng mô hình lai (Hybrid Econometric-ML Model) dự báo nợ xấu cá thể.
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Tiếp cận quy trình thực hiện nghiên cứu định lượng chuẩn mực, nắm vững cách lập trình và chạy mô hình hồi quy dữ liệu bảng động System GMM trên phần mềm Stata.
- Chuyên viên phân tích rủi ro & Data Analyst ngân hàng: Ứng dụng công thức định lượng và hệ số $\beta$ thực nghiệm để xây dựng ma trận trọng số trong mô hình Stress Testing và phân bổ hạn mức tín dụng.
- Ban điều hành NHTMCP: Có căn cứ khoa học để hoạch định chiến lược tăng trưởng tín dụng bền vững, kiểm soát khẩu vị rủi ro khi tăng quy mô tài sản.
- Cơ quan quản lý (NHNN & Cơ quan Thanh tra Giám sát): Cung cấp bằng chứng thực nghiệm về tác động của lạm phát ($IFL$) và tăng trưởng GDP ($GDP$) lên an toàn hệ thống, hỗ trợ ban hành chính sách tái cơ cấu nợ kịp thời.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật để tái lập và triển khai mô hình là gì?
Hệ thống cần cài đặt phần mềm Stata (tối thiểu phiên bản 15.0 trở lên, khuyến nghị Stata 17 MP) có cài đặt package xtabond2. Yêu cầu phần cứng: CPU 4 cores, RAM tối thiểu 8GB và bộ dữ liệu định dạng Excel/Stata Data (.dta) được làm sạch đầy đủ 11 năm.
2. Vì sao mô hình GMM lại vượt trội hơn mô hình FEM/REM trong nghiên cứu này?
Mô hình nghiên cứu có sự xuất hiện của biến trễ phụ thuộc $NPL_{i,t-1}$ ở vế phải phương trình. Trong mô hình FEM/REM, biến trễ này tương quan trực tiếp với thành phần sai số $u_i$, dẫn đến hiện tượng nội sinh nghiêm trọng (Nickell Bias). Phương pháp GMM hệ thống sử dụng các mức trễ của biến làm biến công cụ nội tại để khử hoàn toàn tương quan này.
3. Ý nghĩa thực tiễn của việc biến tăng trưởng tín dụng ($LGR$) có dấu âm là gì?
Hệ số âm ($\beta = -0.0154$) phản ánh hiệu ứng "pha loãng nợ xấu" trong ngắn hạn: khi mẫu số (tổng dư nợ) tăng trưởng nhanh hơn tốc độ chuyển nhóm nợ xấu, tỷ lệ $NPL$ tạm thời giảm xuống. Tuy nhiên, rủi ro tiềm ẩn sẽ bộc lộ sau 1 - 2 năm nếu việc tăng trưởng tín dụng đi kèm với tiêu chuẩn thẩm định bị nới lỏng.
4. Mô hình xử lý thế nào khi xảy ra hiện tượng phương sai thay đổi và tự tương quan?
Mô hình sử dụng tùy chọn robust và twostep kết hợp với thuật toán hiệu chỉnh mẫu nhỏ Windmeijer (2005) trong lệnh xtabond2, giúp ma trận hiệp phương sai của ước lượng đạt tính vững và hiệu quả cao nhất.
5. Khả năng tích hợp mô hình vào hệ thống ERP/Core Banking hiện nay như thế nào?
Mô hình có thể được đóng gói thành RESTful API bằng Python/FastAPI hoặc module nhúng trong hệ thống Rủi ro Tín dụng Doanh nghiệp (Enterprise Credit Risk Platform), tự động nạp tham số tài chính định kỳ theo quý để tính toán tỷ lệ nợ xấu dự phóng.
Kết luận
Khóa luận tốt nghiệp "Các yếu tố tác động đến nợ xấu của các Ngân hàng Thương mại Cổ phần tại Việt Nam" đã giải quyết thành công bài toán định lượng rủi ro tín dụng tại 25 NHTMCP giai đoạn 2010 - 2021. Bằng việc ứng dụng phương pháp ước lượng dữ liệu bảng động Two-step System GMM, nghiên cứu đã chứng minh tính bền vững của nợ xấu quá khứ ($NPL_{t-1}$), tác động tiêu cực của quy mô ngân hàng ($SIZE$), tỷ lệ dự phòng ($LLR$), vốn chủ sở hữu ($ETA$) và lạm phát ($IFL$) lên nợ xấu; đồng thời khẳng định vai trò tích cực của hiệu quả sinh lời ($ROA$) và tăng trưởng kinh tế ($GDP$) trong việc kiềm chế nợ xấu. Kết quả nghiên cứu là tài liệu tham khảo khoa học và thực tiễn giá trị cho công tác quản trị rủi ro ngân hàng và hoạch định chính sách tiền tệ quốc gia. Hãy áp dụng ngay khung lượng lượng và hệ thống chỉ số trong đề tài để nâng cao năng lực kiểm soát rủi ro tín dụng của tổ chức.
