Khóa luận các yếu tố ảnh hưởng đến nợ xấu tại các ngân hàng thương mại Việt Nam 2007-2021

Khóa luận phân tích 1199 yếu tố ảnh hưởng đến nợ xấu tại các ngân hàng thương mại ở Việt Nam năm 2023, cung cấp cái nhìn sâu sắc về vấn đề này.

• Tác giả: Phan Thị Linh Phượng
• Người hướng dẫn: TS. Lê Thanh Ngọc
• Trường học: Trường Đại Học Ngân Hàng Thành Phố Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Các Yếu Tố Ảnh Hưởng Đến Nợ Xấu Tại Các Ngân Hàng Thương Mại Ở Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG
• DANH MỤC HÌNH
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Lý do lựa chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng nghiên cứu
• 1.5. Phạm vi nghiên cứu
• 1.6. Phương pháp nghiên cứu
• 1.6.1. Phương pháp nghiên cứu định tính
• 1.6.2. Phương pháp nghiên cứu định lượng
• 1.7. Đóng góp của nghiên cứu
• 1.8. Kết cấu của nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU
• 2.1. Khái quát chung về nợ xấu
• 2.2. Các tiêu chí đo lường nợ xấu
• 2.3. Phân loại nợ
• 2.4. Các chỉ tiêu đo lường nợ xấu
• 2.5. Tổng quan các nghiên cứu trước đây
• 2.5.1. Các nghiên cứu ở nước ngoài
• 2.5.2. Các nghiên cứu trong nước
• 2.6. Khoảng trống nghiên cứu
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Thực trạng nợ xấu và các yếu tố tác động đến nợ xấu ở các NHTM tại Việt Nam trong giai đoạn 2007-2021
• 4.2. Thống kê mô tả và ma trận hệ số tương quan
• 4.2.1. Thống kê mô tả
• 4.2.2. Ma trận hệ số tương quan
• 4.3. Kiểm định đa cộng tuyến
• 4.4. Kiểm định mô hình nghiên cứu
• 4.4.1. Kiểm định lựa chọn phương pháp hồi quy
• 4.4.2. Kiểm định phương sai thay đổi và tự tương quan
• 4.5. Tóm tắt kết quả hồi quy
• 4.5.1. Tóm tắt kết quả hồi quy OLS, FE, RE
• 4.5.2. Tóm tắt hồi quy mô-men tổng quát (GMM)
• 4.6. Thảo luận kết quả
• 5. CHƯƠNG 5: KẾT LUẬN VÀ MỘT SỐ KHUYẾN NGHỊ
• 5.1. Một số khuyến nghị chính sách
• 5.2. Hạn chế của đề tài nghiên cứu
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về 1199 các yếu tố ảnh hưởng đến nợ xấu tại NHTM ở VN

Nợ xấu tại các ngân hàng thương mại (NHTM) ở Việt Nam đã trở thành một vấn đề nghiêm trọng trong những năm gần đây. Việc hiểu rõ các yếu tố ảnh hưởng đến nợ xấu là rất cần thiết để có thể quản lý và kiểm soát tình hình này. Bài viết sẽ phân tích các yếu tố nội bộ và bên ngoài tác động đến nợ xấu, từ đó đưa ra những khuyến nghị nhằm giảm thiểu rủi ro cho các NHTM.

1.1. Khái niệm và phân loại nợ xấu tại NHTM

Nợ xấu được định nghĩa là các khoản vay không còn khả năng thu hồi. Theo quy định của Ngân hàng Nhà nước Việt Nam, nợ xấu được phân loại thành ba nhóm chính: nợ dưới tiêu chuẩn, nợ nghi ngờ và nợ có khả năng mất vốn. Việc phân loại này giúp các ngân hàng đánh giá rủi ro và đưa ra các biện pháp xử lý kịp thời.

1.2. Tình hình nợ xấu tại các NHTM ở Việt Nam

Trong giai đoạn 2007-2021, tỷ lệ nợ xấu tại các NHTM ở Việt Nam có xu hướng gia tăng, ảnh hưởng đến hiệu quả hoạt động của ngân hàng. Các yếu tố như tình hình kinh tế, chính sách tín dụng và quản lý rủi ro đều có tác động lớn đến tình hình nợ xấu.

II. Các yếu tố nội bộ ảnh hưởng đến nợ xấu tại NHTM ở VN

Các yếu tố nội bộ như hiệu quả hoạt động, quy mô ngân hàng và chi phí trích lập dự phòng rủi ro tín dụng có ảnh hưởng trực tiếp đến tỷ lệ nợ xấu. Việc quản lý tốt các yếu tố này sẽ giúp giảm thiểu rủi ro nợ xấu cho ngân hàng.

2.1. Hiệu quả hoạt động của ngân hàng và nợ xấu

Hiệu quả hoạt động của ngân hàng được đo bằng các chỉ số như tỷ lệ lợi nhuận trên vốn chủ sở hữu (ROE). Nghiên cứu cho thấy ngân hàng có hiệu quả hoạt động cao thường có tỷ lệ nợ xấu thấp hơn, do khả năng thu hồi nợ tốt hơn.

2.2. Quy mô ngân hàng và tác động đến nợ xấu

Quy mô ngân hàng cũng ảnh hưởng đến nợ xấu. Ngân hàng lớn thường có khả năng phân tán rủi ro tốt hơn, trong khi ngân hàng nhỏ có thể gặp khó khăn trong việc quản lý nợ xấu.

2.3. Chi phí trích lập dự phòng rủi ro tín dụng

Chi phí trích lập dự phòng rủi ro tín dụng là một yếu tố quan trọng trong việc quản lý nợ xấu. Ngân hàng cần có kế hoạch trích lập dự phòng hợp lý để đảm bảo khả năng thanh toán và giảm thiểu rủi ro nợ xấu.

III. Các yếu tố bên ngoài ảnh hưởng đến nợ xấu tại NHTM ở VN

Ngoài các yếu tố nội bộ, các yếu tố bên ngoài như tình hình kinh tế vĩ mô, chính sách tín dụng và lạm phát cũng có tác động lớn đến nợ xấu tại các NHTM. Việc theo dõi và phân tích các yếu tố này là cần thiết để đưa ra các biện pháp phòng ngừa hiệu quả.

3.1. Tình hình kinh tế vĩ mô và nợ xấu

Tình hình kinh tế vĩ mô, bao gồm tăng trưởng GDP và tỷ lệ thất nghiệp, có ảnh hưởng trực tiếp đến khả năng trả nợ của khách hàng. Khi nền kinh tế suy thoái, tỷ lệ nợ xấu thường gia tăng.

3.2. Chính sách tín dụng và tác động đến nợ xấu

Chính sách tín dụng của Ngân hàng Nhà nước có thể ảnh hưởng đến nợ xấu. Các chính sách thắt chặt tín dụng có thể làm giảm tỷ lệ nợ xấu, trong khi chính sách nới lỏng có thể dẫn đến gia tăng rủi ro.

3.3. Tác động của lạm phát đến nợ xấu

Lạm phát cao có thể làm giảm sức mua của người tiêu dùng, dẫn đến khả năng trả nợ kém hơn. Điều này có thể làm gia tăng tỷ lệ nợ xấu tại các NHTM.

IV. Phương pháp nghiên cứu và phân tích nợ xấu tại NHTM ở VN

Nghiên cứu sử dụng các phương pháp hồi quy để phân tích các yếu tố ảnh hưởng đến nợ xấu. Các phương pháp này giúp xác định mối quan hệ giữa các biến và tỷ lệ nợ xấu, từ đó đưa ra các khuyến nghị phù hợp.

4.1. Phương pháp hồi quy OLS và GMM

Phương pháp hồi quy OLS và GMM được sử dụng để phân tích dữ liệu. Hồi quy OLS giúp xác định mối quan hệ tuyến tính giữa các biến, trong khi GMM giúp khắc phục các vấn đề về nội sinh và phương sai thay đổi.

4.2. Phân tích dữ liệu và kết quả nghiên cứu

Kết quả nghiên cứu cho thấy có 8 biến có ý nghĩa thống kê ảnh hưởng đến nợ xấu, bao gồm nợ xấu của năm trước, chi phí trích lập dự phòng và hiệu quả hoạt động của ngân hàng.

V. Kết luận và khuyến nghị giảm thiểu nợ xấu tại NHTM ở VN

Kết luận từ nghiên cứu cho thấy việc quản lý nợ xấu là rất quan trọng đối với sự phát triển bền vững của các NHTM. Các khuyến nghị được đưa ra nhằm giảm thiểu tỷ lệ nợ xấu và nâng cao hiệu quả hoạt động của ngân hàng.

5.1. Khuyến nghị chính sách cho các NHTM

Các NHTM cần xây dựng các chính sách tín dụng chặt chẽ hơn, đồng thời tăng cường công tác quản lý rủi ro để giảm thiểu nợ xấu.

5.2. Đề xuất giải pháp cải thiện hiệu quả hoạt động

Cải thiện hiệu quả hoạt động của ngân hàng thông qua việc nâng cao chất lượng dịch vụ và tăng cường đào tạo nhân viên sẽ giúp giảm tỷ lệ nợ xấu.

Nội dung chính

Giới thiệu dự án

Hoạt động tín dụng chiếm từ 70% đến 80% tổng tài sản sinh lời và đóng góp trên 75% cơ cấu thu nhập của hệ thống Ngân hàng Thương mại (NHTM) tại Việt Nam. Tuy nhiên, tín dụng cũng là mảng hoạt động tiềm ẩn rủi ro cao nhất, trong đó nợ xấu (Non-Performing Loans - NPL) đóng vai trò là chỉ tiêu then chốt phản ánh sức khỏe tài chính và chất lượng tài sản của các tổ chức tín dụng (TCTD). Theo quy định tại Thông tư số 02/2013/TT-NHNN và Văn bản hợp nhất số 22/VBHN-NHNN của Ngân hàng Nhà nước Việt Nam (NHNN), nợ xấu bao gồm các khoản nợ thuộc nhóm 3 (nợ dưới tiêu chuẩn, quá hạn 91–180 ngày), nhóm 4 (nợ nghi ngờ, quá hạn 181–360 ngày) và nhóm 5 (nợ có khả năng mất vốn, quá hạn trên 360 ngày).

Giai đoạn 2007–2021 chứng kiến nhiều chu kỳ biến động phức tạp của kinh tế vĩ mô và tài chính tiền tệ: từ cuộc khủng hoảng tài chính toàn cầu 2008 đẩy tỷ lệ nợ xấu trung bình của 28 NHTM từ 1,17% (2007) lên 2,30% (2008) và lập đỉnh 3,92% vào năm 2012, cho đến giai đoạn tái cơ cấu quyết liệt hạ nợ xấu xuống 1,48% (2019), trước khi chịu áp lực tăng trở lại mức 1,87% (2020) và 1,70% (2021) do đại dịch COVID-19.

Tỷ lệ NPL trung bình qua các giai đoạn (2007 - 2021):

Vấn đề cốt lõi đặt ra là sự bất cân xứng thông tin, độ trễ chính sách và tính chu kỳ của hoạt động tín dụng tạo ra các tổn thất tiềm tàng nếu ngân hàng không nhận diện chính xác các yếu tố vi mô và vĩ mô tác động đến nợ xấu.

Mục tiêu nghiên cứu

1. Xác định hệ thống các biến nội tại ngân hàng (vi mô) và biến kinh tế vĩ mô chi phối tỷ lệ nợ xấu của các NHTM Việt Nam.
2. Xây dựng và kiểm định mô hình định lượng động trên dữ liệu bảng (Dynamic Panel Data) nhằm lượng hóa chính xác mức độ tác động và chiều hướng ảnh hưởng của từng yếu tố.
3. Giải quyết triệt để các khuyết tật mô hình kinh tế lượng (hiện tượng nội sinh, phương sai thay đổi, tự tương quan) thông qua phương pháp ước lượng Mô-men tổng quát (Generalized Method of Moments - GMM).
4. Đề xuất khung chính sách và giải pháp thực thi quản trị rủi ro tín dụng thực chứng cho hệ thống NHTM và cơ quan điều hành tiền tệ.

Phương pháp tiếp cận giải pháp sử dụng mô hình hồi quy GMM hệ thống hai bước (Two-step System GMM) nhằm kiểm soát độ trễ của biến phụ thuộc ($NPL_{t-1}$) và khắc phục hiện tượng biến nội sinh (Endogeneity). Phạm vi nghiên cứu tập trung vào 28 NHTM cổ phần tại Việt Nam xuyên suốt 15 năm (2007–2021), tạo ra bộ dữ liệu bảng cân bằng với 420 quan sát đại diện cho hơn 90% tổng tài sản toàn hệ thống ngân hàng Việt Nam.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp hồi quy truyền thống áp dụng trên dữ liệu bảng tĩnh thường bộc lộ những hạn chế nghiêm trọng về tính vững và độ chệch của ước lượng:

Phương pháp hồi quy	Ưu điểm	Nhược điểm / Khuyết tật	Mức độ phù hợp với rủi ro tín dụng
Pooled OLS (Hồi quy gộp)	Đơn giản, dễ tính toán tham số.	Bỏ qua đặc trưng riêng của từng ngân hàng; ước lượng chệch nặng khi có biến trễ hoặc nội sinh.	Không phù hợp
FEM (Tác động cố định)	Kiểm soát được các yếu tố bất biến theo thời gian của từng ngân hàng.	Vi phạm giả định khi mô hình có biến phụ thuộc trễ ($NPL_{t-1}$), gây chệch Nickell ($\mathcal{O}(1/T)$); không xử lý được biến nội sinh.	Thấp
REM (Tác động ngẫu nhiên)	Tận dụng thông tin biến thiên giữa các đối tượng và theo thời gian.	Giả định sai số không tương quan với biến giải thích thường xuyên bị bác bỏ bởi kiểm định Hausman.	Thấp
System GMM (Mô-men tổng quát hệ thống)	Kết hợp phương trình sai phân và mức; triệt tiêu hoàn toàn nội sinh bằng biến công cụ trễ; khắc phục phương sai thay đổi và tự tương quan.	Yêu cầu số lượng công cụ ($Instrument$) không được vượt quá số đơn vị chéo ($N$) để tránh suy giảm lực kiểm định Hansen.	Tối ưu (Được lựa chọn)

So sánh với các công trình nghiên cứu tiền tiêu:

• Salas & Saurina (2002): Tiếp cận dữ liệu ngân hàng Tây Ban Nha qua mô hình Arellano-Bond, chứng minh quy mô và tăng trưởng tín dụng quá khứ có tác động nghịch chiều đến nợ xấu.
• Louzis, Vouldis & Metaxas (2010): Phân tích hệ thống ngân hàng Hy Lạp, chỉ ra biến vĩ mô (GDP, thất nghiệp) chi phối mạnh đến nợ xấu nhưng chưa tối ưu ma trận biến công cụ cho các khoản trích lập dự phòng rủi ro.
• Nguyễn Thị Hồng Vinh & Nguyễn Minh Sáng (2018): Đánh giá 204 ngân hàng Đông Nam Á giai đoạn 2010–2015, xác nhận vai trò của nợ xấu quá khứ nhưng giới hạn trong khung thời gian ngắn (6 năm).

Nghiên cứu áp dụng khung phân bổ ưu tiên MoSCoW trong thiết kế chỉ tiêu phân tích:

• Must-have: Biến trễ nợ xấu ($NPL_{t-1}$), Tỷ lệ trích lập dự phòng ($LLP$), Tỷ suất sinh lời trên vốn chủ sở hữu ($ROE$), Quy mô ngân hàng ($SIZE$), Tăng trưởng tín dụng ($LOANS$), Tăng trưởng kinh tế ($GDP$), Tỷ lệ lạm phát ($INF$).
• Should-have: Tỷ số an toàn vốn ($ETA$), Tỷ lệ thanh khoản ($LDR$).
• Could-have: Tỷ lệ thất nghiệp, Biên lãi thuần ($NIM$).
• Won't-have (giai đoạn này): Các chỉ số rủi ro phi tài chính và quản trị ESG.

Thiết kế hệ thống và kiến trúc xử lý dữ liệu

Quy trình phân tích kinh tế lượng và xử lý dữ liệu được thiết kế theo luồng khép kín:

Ngăn xếp công nghệ phân tích (Technology Stack)

• Công cụ tính toán kinh tế lượng: Stata MP v17.0 (gói mở rộng xtabond2, xtserial, xttest3).
• Nền tảng xử lý dữ liệu phụ trợ: Python 3.10 với thư viện pandas v2.0.3, numpy v1.24.3, linearmodels v4.25 để kiểm chứng chéo ma trận hiệp phương sai.
• Lưu trữ dữ liệu: Microsoft Excel 2021 OpenXML và cơ sở dữ liệu quan hệ PostgreSQL 15 để chuẩn hóa danh mục tài khoản phân loại nợ theo Thông tư 02.
• Tiêu chuẩn an toàn & toàn vẹn dữ liệu: Chuẩn hóa dữ liệu ngoại lai (Winsorization tại phân vị 1% và 99%), đối chiếu độc lập số liệu kiểm toán từ Big 4 (PwC, Deloitte, EY, KPMG).

Phương pháp nghiên cứu

Nghiên cứu thiết lập phương trình hồi quy động có dạng:

$$NPL_{i,t} = \alpha_0 + \alpha_1 NPL_{i,t-1} + \sum_{k=1}^{6} \beta_k F_{k,i,t} + \sum_{m=1}^{2} \gamma_m M_{m,t} + \eta_i + \varepsilon_{i,t}$$

Trong đó:

• $NPL_{i,t}$: Tỷ lệ nợ xấu của ngân hàng $i$ tại năm $t$ ($NPL = \frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ cho vay}} \times 100%$).
• $NPL_{i,t-1}$: Tỷ lệ nợ xấu năm trước của ngân hàng $i$ (biến trễ phản ánh tính ỳ/quán tính rủi ro).
• $F_{k,i,t}$: Vectơ các biến đặc thù ngân hàng ($ROE$, $SIZE$, $ETA$, $LLP$, $LDR$, $LOANS$).
• $M_{m,t}$: Vectơ các biến vĩ mô nền kinh tế ($GDP$, $INF$).
• $\eta_i$: Tác động cố định không quan sát được của từng ngân hàng.
• $\varepsilon_{i,t}$: Sai số ngẫu nhiên thỏa mãn $E[\varepsilon_{i,t}] = 0$.

---

Implementation và kết quả

Quy trình triển khai và Thuật toán ước lượng

Thuật toán hồi quy GMM hệ thống hai bước kết hợp đồng thời phương trình dạng sai phân (First-difference equation) để triệt tiêu tác động cố định $\eta_i$ và phương trình dạng mức (Level equation) sử dụng sai phân trễ làm công cụ:

* Thiết lập cấu trúc dữ liệu bảng động
xtset bank_id year

* Ước lượng hồi quy gộp OLS
regress NPL L.NPL ROE SIZE ETA LLP LDR LOANS GDP INF

* Ước lượng mô hình tác động cố định FEM
xtreg NPL L.NPL ROE SIZE ETA LLP LDR LOANS GDP INF, fe

* Kiểm định kiểm tra phương sai thay đổi (Modified Wald Test)
xttest3

* Kiểm định tự tương quan sai số (Wooldridge Test)
xtserial NPL L.NPL ROE SIZE ETA LLP LDR LOANS GDP INF

* Ước lượng Two-step System GMM tối ưu với hiệu chỉnh sai số mẫu nhỏ Windmeijer
xtabond2 NPL L.NPL ROE SIZE ETA LLP LDR LOANS GDP INF, ///
    gmm(L.NPL LLP ROE LOANS, lag(2 3) collapse) ///
    iv(SIZE ETA LDR GDP INF) ///
    twostep robust small orthog

Quy trình xử lý nội sinh chọn biến trễ $NPL_{i,t-2}$, $LLP_{i,t-2}$ làm biến công cụ hợp lệ cho phương trình sai phân, áp dụng kỹ thuật thu gọn ma trận công cụ (collapse) nhằm ngăn chặn hiện tượng tràn công cụ (Instrument Proliferation).

# Kiểm chứng hồi quy tuyến tính bảng bằng Python (linearmodels)
import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects

df = pd.read_excel("NHTM_Panel_Data_2007_2021.xlsx").set_index(["bank_id", "year"])
formula = "NPL ~ 1 + NPL_lag1 + ROE + SIZE + ETA + LLP + LDR + LOANS + GDP + INF"

model_fe = PanelOLS.from_formula(formula, data=df, entity_effects=True)
results_fe = model_fe.fit(cov_type="clustered", cluster_entity=True)
print(results_fe.summary)

Kiểm định và chẩn đoán mô hình

1. Kiểm định đa cộng tuyến: Hệ số VIF của tất cả các biến độc lập đều nằm trong khoảng từ 1,18 đến 2,45 (nhỏ hơn ngưỡng nghiêm ngặt 5,0), khẳng định không tồn tại hiện tượng đa cộng tuyến nghiêm trọng.
2. Kiểm định khuyết tật mô hình:
   • Kiểm định Modified Wald trên mô hình FEM cho $p\text{-value} = 0,0000 < 0,01 \rightarrow$ Tồn tại hiện tượng phương sai thay đổi giữa các ngân hàng.
   • Kiểm định Wooldridge cho $p\text{-value} = 0,0002 < 0,01 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc nhất.
   • $\Rightarrow$ Các ước lượng OLS, FEM, REM đều bị chệch và không hiệu quả, bắt buộc chuyển sang mô hình Two-step System GMM.
3. Kiểm định tính vững của mô hình GMM:
   • Arellano-Bond test AR(1): $z = -3,42$ ($p = 0,0006 < 0,05$), tồn tại tự tương quan bậc 1 của sai số sai phân (thỏa mãn điều kiện).
   • Arellano-Bond test AR(2): $z = 0,81$ ($p = 0,4179 > 0,05$), không tồn tại tự tương quan chuỗi bậc 2 (mô hình không có khuyết tật cấu trúc sai số).
   • Hansen J-test: $\chi^2 = 24,18$ ($p = 0,234 > 0,10$), khẳng định tính hợp lệ của toàn bộ hệ thống biến công cụ ngoại sinh, không xảy ra hiện tượng xác định quá mức (Over-identifying restrictions).

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng thực nghiệm từ 4 mô hình:

Biến giải thích	Ký hiệu	Pooled OLS	FEM	REM	Two-step System GMM	P-value (GMM)	Ý nghĩa thực tiễn
Nợ xấu trễ (t-1)	$NPL_{t-1}$	0,7821***	0,4512***	0,6128***	0,5234***	0,000	Tác động cùng chiều (Quán tính nợ)
Dự phòng rủi ro	$LLP$	0,1452	-0,0821	0,0231	-0,2145**	0,021	Tác động ngược chiều (Bộ đệm trích lập)
Khả năng sinh lời	$ROE$	-0,0124**	-0,0198***	-0,0154**	-0,0287***	0,002	Tác động ngược chiều (Hiệu quả quản trị)
Quy mô ngân hàng	$SIZE$	-0,0012	-0,0045*	-0,0028	-0,0062**	0,034	Tác động ngược chiều (Lợi thế quy mô)
Tỷ số vốn chủ	$ETA$	0,0341*	0,0512**	0,0412*	0,0648**	0,018	Tác động cùng chiều (Rủi ro đạo đức/Gánh nặng vốn)
Tăng trưởng cho vay	$LOANS$	-0,0189**	-0,0245***	-0,0212**	-0,0312***	0,004	Tác động ngược chiều (Pha loãng danh mục ngắn hạn)
Tỷ lệ thanh khoản	$LDR$	0,0032	0,0051	0,0042	0,0048	0,312	Không có ý nghĩa thống kê
Tăng trưởng GDP	$GDP$	-0,0421***	-0,0389***	-0,0410***	0,0512**	0,029	Tác động cùng chiều (Độ trễ bộc lộ nợ sau chu kỳ nóng)
Tỷ lệ lạm phát	$INF$	0,0218**	0,0184*	0,0201**	0,0341***	0,008	Tác động cùng chiều (Xói mòn năng lực trả nợ)
Hệ số chặn	$Const$	0,0142	0,0892**	0,0451*	0,1124**	0,015	Hệ số cố định chuẩn hóa

(Ghi chú: ***, **, * tương ứng với mức ý nghĩa thống kê 1%, 5% và 10%)

Mô hình System GMM chứng minh 8/9 giả thuyết nghiên cứu có ý nghĩa thống kê cao:

• Hệ số $NPL_{t-1}$ đạt $0,5234$ chứng minh tính ỳ rủi ro rất cao: nếu nợ xấu năm trước tăng 1%, nợ xấu năm nay sẽ tự động tăng 0,5234% nếu không có biện pháp xử lý dứt điểm.
• $ROE$ ($\beta = -0,0287$) và $SIZE$ ($\beta = -0,0062$) khẳng định các ngân hàng có năng lực tài chính và quy mô lớn kiểm soát chất lượng tín dụng vượt trội.
• $LLP$ ($\beta = -0,2145$) cho thấy trích lập dự phòng chủ động giúp tạo bộ đệm hấp thụ và xử lý nợ xấu hiệu quả.
• Tăng trưởng cho vay $LOANS$ ($\beta = -0,0312$) thể hiện tác động ngắn hạn của việc mở rộng mẫu số dư nợ (pha loãng nợ xấu).

---

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp khoa học và ứng dụng đột phá:

1. Đổi mới về mặt kinh tế lượng: Giải quyết dứt điểm sai chệch nội sinh phát sinh từ mối quan hệ hai chiều giữa chi phí trích lập dự phòng ($LLP$) và nợ xấu ($NPL$), cũng như sai chệch Nickell của biến trễ thông qua thuật toán Two-step System GMM hiệu chỉnh sai số Windmeijer.
2. Khung dữ liệu toàn diện 15 năm (2007–2021): Vượt trội so với các nghiên cứu trước đây tại Việt Nam (thường chỉ khảo sát 4–8 năm), bao trùm trọn vẹn cả 3 cuộc khủng hoảng lớn: Khủng hoảng tài chính toàn cầu 2008, Giai đoạn tái cơ cấu nợ xấu 2011–2015 và Đại dịch COVID-19 (2020–2021).
3. Phát hiện mới về biến số vĩ mô ($GDP$ & $INF$): Chứng minh tăng trưởng GDP nhanh trong chu kỳ nóng có thể đi kèm nợ xấu gia tăng sau đó do nới lỏng chuẩn thẩm định tín dụng, đồng thời lạm phát cao ngay lập tức làm gia tăng nợ xấu qua việc đẩy lãi suất cho vay thực tế lên cao.

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng (Use Cases)

• Tích hợp Hệ thống Cảnh báo Sớm (Early Warning System - EWS): Sử dụng các trọng số hồi quy GMM để xây dựng hệ số rủi ro tín dụng động. Khi các chỉ số $ROE$ sụt giảm hoặc lạm phát $INF$ vượt ngưỡng mục tiêu, hệ thống tự động gắn nhãn rủi ro cho từng phân khúc danh mục.
• Tự động hóa tính toán trích lập dự phòng theo IFRS 9: Ứng dụng mô hình tổn thất tín dụng dự kiến (Expected Credit Loss - ECL) bằng cách gắn trực tiếp các biến vĩ mô dự phóng ($GDP$, $INF$) vào công thức xác suất vỡ nợ (Probability of Default - PD).

Lộ trình triển khai và Phân tích Hiệu quả Đầu tư (ROI)

• Giai đoạn 1 (Tháng 1 - 3): Xây dựng cơ sở dữ liệu vi mô - vĩ mô tập trung (Risk Data Mart), tích hợp trực tiếp từ Core Banking (Temenos T24 hoặc Oracle FLEXCUBE).
• Giai đoạn 2 (Tháng 4 - 6): Đóng gói mô hình GMM vào công cụ tính toán tự động bằng Python/R, kết nối API với hệ thống quản lý rủi ro ALM.
• Giai đoạn 3 (Tháng 7 - 12): Kiểm thử kịch bản căng thẳng (Stress Testing), đào tạo cán bộ thẩm định và vận hành giám sát theo quý.

Phân tích Chi phí - Lợi ích: Đối với một NHTM có quy mô dư nợ 300.000 tỷ VND, việc ứng dụng mô hình giúp nhận diện sớm và ngăn ngừa tỷ lệ nợ xấu phát sinh tăng thêm 0,2%, tương đương tiết kiệm 600 tỷ VND chi phí trích lập dự phòng hàng năm, mang lại tỷ suất hoàn vốn đầu tư (ROI) ước tính trên 400% ngay trong năm đầu vận hành.

---

Hạn chế và hướng phát triển

• Hạn chế kỹ thuật: Mô hình giả định mối quan hệ tuyến tính giữa các biến. Trong thực tế, các cú sốc kinh tế có thể tạo ra các điểm gãy cấu trúc (Structural Breaks) và mối quan hệ phi tuyến tính.
• Hạn chế dữ liệu: Chưa phân rã chi tiết nợ xấu theo từng phân khúc ngành nghề kinh doanh (bất động sản, sản xuất công nghiệp, tiêu dùng cá nhân) do tính bảo mật của thuyết minh BCTC.
• Hướng phát triển tương lai:
  1. Ứng dụng mô hình hồi quy ngưỡng dạng bảng (Panel Threshold Regression) để tìm điểm tới hạn tối ưu của tăng trưởng tín dụng và an toàn vốn.
  2. Kết hợp mạng nơ-ron học sâu (Deep Learning LSTM) và thuật toán XGBoost trên dữ liệu giao dịch thời gian thực nhằm nâng cao độ chính xác dự báo nợ xấu ngắn hạn.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên cao học: Tiếp cận quy trình phân tích kinh tế lượng chuẩn mực, phương pháp xử lý dữ liệu bảng động và kỹ thuật lập trình Stata/Python thực chiến.
• Chuyên viên Phân tích Dữ liệu & Quản trị Rủi ro (Risk Quants): Sở hữu bộ tham số thực nghiệm vững chắc để tinh chỉnh mô hình nội bộ Basel II/III.
• Ban Điều hành NHTM: Có căn cứ khoa học để thiết lập hạn mức tăng trưởng tín dụng an toàn, cân bằng giữa mục tiêu sinh lời ($ROE$) và chi phí dự phòng ($LLP$).
• Cơ quan Quản lý (NHNN): Công cụ lượng hóa tác động truyền dẫn của lạm phát và chu kỳ tăng trưởng đến an toàn hệ thống, hỗ trợ ban hành chính sách vĩ mô thận trọng.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình vào hệ thống ngân hàng là gì?

Hệ thống cần máy chủ cơ sở dữ liệu lưu trữ chuỗi thời gian tối thiểu 10 năm của các chỉ số tài chính, tích hợp môi trường Python 3.9+ hoặc R 4.2+ có khả năng kết nối API trực tiếp với kho dữ liệu trung tâm (Data Warehouse) của ngân hàng.

2. Tại sao nghiên cứu lại chọn System GMM thay vì Difference GMM?

Difference GMM sử dụng sai phân bậc nhất làm suy yếu biến công cụ nếu các chuỗi dữ liệu có tính bền vững cao (như $NPL$ và $SIZE$). System GMM khắc phục triệt để bằng cách kết hợp cả phương trình mức và sai phân, tăng đáng kể hiệu quả ước lượng.

3. Làm thế nào để giải quyết xung đột khi tăng trưởng tín dụng cao làm giảm tỷ lệ nợ xấu ngắn hạn nhưng tích tụ rủi ro dài hạn?

Ngân hàng cần thiết lập hệ số kiểm soát kép: theo dõi đồng thời tỷ lệ nợ xấu danh nghĩa ($NPL$) và tốc độ hình thành nợ xấu mới (NPL Formation Rate), kết hợp phân tích độ trễ 2–3 năm của chu kỳ tín dụng.

4. Chi phí bảo trì và cập nhật mô hình định lượng này định kỳ là bao nhiêu?

Mô hình yêu cầu tái ước lượng tham số tối thiểu 1 lần/năm hoặc sau mỗi cú sốc vĩ mô lớn. Chi phí vận hành chủ yếu là nhân sự chuyên trách quản trị rủi ro định lượng (1–2 kỹ sư dữ liệu).

5. Kết quả kiểm định Hansen có ý nghĩa thế nào đối với độ tin cậy của báo cáo rủi ro?

Giá trị $p\text{-value}$ của kiểm định Hansen nằm trong khoảng lý tưởng $0,10 < p < 0,25$, bảo chứng rằng mô hình không bị quá tải công cụ và các biến đại diện hoàn toàn không tương quan với sai số mô hình, đảm bảo tính pháp lý khi giải trình với cơ quan thanh tra giám sát.

---

Kết luận

Đồ án đã giải quyết hoàn chỉnh bài toán định lượng các yếu tố chi phối nợ xấu tại 28 NHTM Việt Nam giai đoạn 2007–2021 bằng phương pháp Two-step System GMM. Kết quả chứng minh vai trò quyết định của nợ xấu quá khứ, hiệu quả sinh lời, năng lực trích lập dự phòng, quy mô ngân hàng cùng tác động kép từ tăng trưởng kinh tế và lạm phát. Đây là tài liệu tham khảo và công cụ thực thi đắc lực cho công tác củng cố an toàn hệ thống ngân hàng, phòng ngừa rủi ro tín dụng theo chuẩn mực quốc tế.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu nghiên cứu Chương 2: Cơ sở lý thuyết và tổng quan nghiên cứu Chương 3: Phương pháp nghiên cứu Chương 4: Kết quả và thảo luận Chương 5: Kết luận và khuyến nghị chính sách 5 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU 2. Khái quát chung về nợ xấu Thuật ngữ “nợ xấu” (Non-Performing loans) có thể thay thế được bằng nợ khó đòi Fofack, (2005), hoặc các khoản vay có vấn đề ( Berger và DeYoung, 1997). Nhóm chuyên gia tư vấn Advisory Expert Group (AEG) của Liên hợp quốc cho rằng “Về cơ bản, một khoản nợ được coi là nợ xấu khi quá hạn trả lãi và/ hoặc gốc trên 90 ngày, hoặc các khoản lãi chưa trả đủ từ 90 ngày trở lên được nhập gốc, tái cấp vốn hoặc chậm trả theo thỏa thuận; hoặc các khoản nợ quá hạn thanh toán dưới 90 ngày nhưng có lý do chắc chắn để nghi ngờ về khả năng sẽ được thanh toán đầy đủ” Theo quan điểm của Quỹ tiền tệ Quốc tế (IMF - International Monetary Fund) đưa ra định nghĩa về nợ xấu trong đoạn 4.85 của hướng dẫn để tính toán các chỉ số lành mạnh tài chính tại các quốc giá (FSIs) như sau: “Một khoản vay được coi là nợ xấu khi quá hạn thanh toán gốc hoặc lãi 90 ngày hoặc hơn; khi các khoản lãi suất đã quá hạn 90 ngày hoặc hơn đã được vốn hóa, cơ cấu lại hoặc trì hoãn theo thỏa thuận; khi các khoản thanh toán đến hạn dưới 90 ngày nhưng có thể nhận thấy các dấu hiệu rõ ràng, cho thấy người vay không thể hoàn trả đầy đủ”.

Sau khi khoản vay được xếp vào danh mục nợ xấu, nó hoặc bất cứ khoản vay thay thế nào cũng nên được xếp vào danh mục nợ xấu cho tới thời điểm phải xóa nợ hoặc thu hồi được gốc và lãi của các khoản vay thay thế” (IMF’s Compilation Guide on Financial Indicators, 2004). Theo Ủy ban Basel về giám sát ngân hàng (BCBS), tổ chức này không đưa ra cụ thể về nợ xấu. Tuy nhiên trong các hướng dẫn về thông lệ chung tại nhiều quốc gia về quản lý rủi ro tín dụng. BCBS xác định việc các khoản nợ bị coi là không có khả năng hoàn trả ( a default) khi một trong hai hoặc cả hai điều kiện sau xảy ra: (i) ngân hàng thấy người vay không có khả năng trả nợ đầy đủ khi ngân hàng chưa hiện hành động gì để cố gắng thu hồi ví dụ như giải chấp Chứng khoán( nếu đang nắm giữ); (ii) người vay đã quá hạn trả nợ quá 90 ngày (BCBS, 2002), Theo quan điểm về nợ xấu của NHTW Châu Âu (ECB) yêu cầu khả năng so sánh tài sản và định nghĩa để đánh giá mức độ rủi ro giữa các ngân hàng trung ương khu vực đồng Euro.

ECB chỉ định nhiều tiêu chí có thể gây ra phân loại nợ xấu khi nó thực hiện các bài 6 kiểm với các ngân hàng tham gia. ECB đã thực hiện và đánh giá toàn diện và phát triển các tiêu chí để xác định các khoản vay là không hoạt động nếu chúng: - Quá hạn 90 ngày - Không tuân thủ các chi tiết kế toán cụ thể cho các ngân hàng GAAP và Chuẩn mực báo cáo tài chính quốc tế ( IFRS) của Hoa Kỳ - Có nguy cơ vỡ nợ theo Quy định yêu cầu vốn( the Capital Requirements Regulation) Nợ xấu (NPLS) đã trở thành một vấn đề đáng báo động trong vài thập kỷ trước do các đặc điểm riêng của nó. Điều thú vị hơn, nợ xấu đang phát triển đáng sợ không chỉ ở các quốc gia đang phát triển và kém phát triển mà còn ở các nước tiên tiến (Kjosevski & Petkovski, 2017; Saif-alyousfi et al. Nợ xấu theo quan điểm ở Việt Nam: Theo Khoản 8 Điều 3 của Thông tư 02/2013/TT-NHNN ngày 21/01/2013 của NHNN quy định về phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro của NHNN Việt Nam thì: Nợ xấu là các khoản nợ thuộc nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn).

Trong đó: – Nợ nhóm 3: thời gian quá hạn từ 90 – 180 ngày. – Nợ nhóm 4: thời gian quá hạn từ 181 – 360 ngày. – Nợ nhóm 5: thời gian quá hạn trên 360 ngày. Các tài liệu trước đó đã đề cập đến hai bộ các yếu tố khiến nợ xấu qua khoảng thời gian.

Bộ đầu tiên là các yếu tố nội bộ được coi là các biến cụ thể của ngân hàng có thể dễ dàng được kiểm soát bởi quản lý hiệu quả của các ngân hàng tương ứng. Bộ khác là các yếu tố bên ngoài như hoàn cảnh kinh tế vĩ mô, không thể được kiểm soát bởi quản lý của các ngân hàng trực tiếp nhưng tỷ lệ rủi ro có thể được giảm bằng cách thực hiện hành động theo kế hoạch đúng đắn. Khái niệm “nợ xấu” Non-Performing Loan (NPL) hiện nay không hoàn toàn thống nhất ở các quốc gia và mỗi nền kinh tế dưới góc nhìn của các cá thể khác nhau. Các tiêu chí đo lường nợ xấu 2.

Phân loại nợ Việc phân loại nợ giúp cho các ngân hàng căn cứ vào các tiêu chuẩn định tính và định lượng để có thể đánh giá mức độ rủi ro khác nhau của các khoản vay cũng như là điểm giống nhau giữa các khoản vay để từ đó có thể lập một mức dự phòng rủi ro để đề phòng trước những rủi ro có thể xảy ra trong thực tế. Trên cơ sở đó nhằm phân loại các khoản nợ vào các nhóm thích hợp. Việc thường xuyên xem xét và phân loại nợ giúp cho các ngân hàng có thể kiểm soát được chất lượng danh mục ở khác khoản cho khách hàng vay và trong những trường hợp cần thiết sẽ đưa ra những biện pháp xử lý các vấn đề phát sinh trong chất lượng tín dụng các danh mục cho vay. Việc phân loại nợ gây nhiều khó kahwns về mặt pháp lý ở từng quốc gia khác nhau, tuy nhiên nó giúp cho các quốc gia có sự lựa chọn rất đa dạng cho hệ thống phân loại và lập dự phòng ( BCBS, 2006).

Theo Viện Tài chính quốc tế ( Institute of International Finance: IIF), cụ thể ở mục 15 “Xử lý nợ xấu trong thống kê kinh tế vĩ mô” (The Treatment of Nonperforming Loans in Macroeconomic Statistics, 2001), tác giả Adriaan M.Bloem và Cornelis N.Gorter đã đề cập đến cách phân loại nợ của IIF thành 5 nhóm. Đây được xem là một trong những cách phân loại nhóm nợ được sử dụng rộng rãi nhất. Trong đó, nợ xấu là các khoản nợ thuộc nhóm 3, 4,5. - Nhóm 1: Nợ đủ tiêu chuẩn (Standard): Là các khoản thanh toán gốc và lãi đều nằm trong hạn.

Đồng thời không có xuất hiện khó khăn nào trong việc thanh toán các khoản vay và dự báo có thể hoàn trả nợ đầy đủ theo cam kết. - Nhóm 2: Nợ cần chú ý (Watch): Là các khoản nợ trong tình trạng có nguy cơ không thanh toán đầy đủ nếu không có những biện pháp xử lý. Do đó, các ngân hàng cần chú ý đến các khoản ở nhóm nợ này nhiều hơn bình thường. - Nhóm 3: Nợ dưới tiêu chuẩn (Substandard): Là các khoản nợ bị nghi ngờ về khả năng thanh toán đầy đủ cả gốc và / hoặc lãi đã quá hạn 90 ngày.

Những tài sản đảm bảo của các khoản nợ bị giảm giá trị có thể dẫn đến những tổn thất xảy ra nếu không có những biện pháp xử lý kịp thời. - Nhóm 4: Nợ nghi ngờ (Doubtful): Là khoản nợ được xác định là không thể thu hồi được gốc và/hoặc lãi đã quá hạn trên 180 ngày. Tuy nhiên, khoản nợ thuộc nhóm này được coi là giảm giá trị nhưng vẫn chưa hẳn là mất vốn hoàn toàn vì vẫn còn những 8 yếu tố có thể cải thiện được chất lượng của khoản nợ như sáp nhập, tài trợ mới hoặc tiếp vốn - Nhóm 5: Nợ mất vốn (Loss): Là khoản nợ được cho là không còn khả năng thu hồi khi gốc và /hoặc lãi đã quá hạn trên 1 năm. Tại Việt Nam, Văn bản hợp nhất 22/VBHN-NHNN ngày 04 tháng 06 năm 2014 quyết định về quy định phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng của TCTD do NHNN Việt Nam ban hành: Bảng 2: Phân loại nhóm nợ theo phương pháp định lượng Nhóm nợ Phân loại theo phương pháp định lượng ( Số ngày quá hạn) 1 Dưới 10 ngày 2 Từ 10 đến 90 ngày 3 Từ 91 ngày đến 180 ngày 4 Từ 181 ngày đến 360 ngày 5 Trên 360 ngày Nguồn: Tổng hợp của tác giả Phân loại nhóm nợ theo phương pháp định tính - Nhóm 1 (Nợ đủ tiêu chuẩn) bao gồm: Các khoản nợ được tổ chức tín dụng đánh giá là có khả năng thu hồi đầy đủ cả nợ gốc và lãi đúng hạn.

- Nhóm 2 (Nợ cần chú ý) bao gồm: Các khoản nợ được tổ chức tín dụng đánh giá là có khả năng thu hồi đầy đủ cả nợ gốc và lãi nhưng có dấu hiệu khách hàng suy giảm khả năng trả nợ. - Nhóm 3 (Nợ dưới tiêu chuẩn) bao gồm: Các khoản nợ được tổ chức tín dụng đánh giá là không có khả năng thu hồi nợ gốc và lãi khi đến hạn. Các khoản nợ này được tổ chức tín dụng đánh giá là có khả năng tổn thất một phần nợ gốc và lãi. - Nhóm 4 (Nợ nghi ngờ) bao gồm: Các khoản nợ được tổ chức tín dụng đánh giá là khả năng tổn thất cao.

- Nhóm 5 (Nợ có khả năng mất vốn) bao gồm: Các khoản nợ được tổ chức tín dụng đánh giá là không còn khả năng thu hồi, mất vốn. Các chỉ tiêu đo lường nợ xấu 2. Tỷ lệ nợ xấu ___ „ Nợ xấu nhóm 3,4,5 Tỷ lệ nợ xấu = —7------ -------------* 100% Tong dư nợ cho vay Đây được xem là chỉ tiêu quan trọng và chủ yếu nhất được sử dụng để đánh giá chất lượng tín dụng và mức độ rủi ro của danh mục cho vay tại các NHTM. Chỉ tiêu này cho biết cứ 100 đồng mà một ngân hàng cho vay thì có bao nhiêu đồng bị đánh giá là nợ xấu.

Nếu tỷ lệ này nhỏ hơn 3% thì ngân hàng được xem là có chất lượng tín dụng tốt, tỷ lệ nợ xấu ở mức an toàn. Khi ngân hàng gặp vấn đề trong quản lý chất lượng các khoản vay từ việc không thu hồi được nợ từ các khách hàng thì tỷ lệ nợ xấu có tình trạng tăng cao hơn trung bình ngành và có chiều hướng tăng lên. Ngược lại, khi tỷ lệ này thấp hơn so với trung bình ngành và có chiều hướng giảm có nghĩa là ngân hàng đang quản lý chất lượng các khoản vay tốt.