Giới thiệu dự án

Bối cảnh và thực trạng ngành

Trong giai đoạn 2021 - 2023, nền kinh tế toàn cầu và Việt Nam chứng kiến nhiều biến động phức tạp dưới tác động kéo dài của đại dịch COVID-19, áp lực thắt chặt chính sách tiền tệ từ Cục Dự trữ Liên bang Mỹ (Fed) và Ngân hàng Trung ương châu Âu (ECB), cùng sự suy giảm tăng trưởng tại các thị trường trọng điểm. Theo thống kê của Ngân hàng Nhà nước Việt Nam (SBV), tăng trưởng tín dụng toàn hệ thống có sự phân hóa sâu sắc giữa các phân khúc. Đối với các Ngân hàng Thương mại Cổ phần (NHTMCP), mảng tín dụng Khách hàng Doanh nghiệp (KHDN) luôn đóng vai trò là động cơ tăng trưởng tài sản sinh lời cốt lõi, đóng góp trên 50% tổng dư nợ và cấu thành nguồn thu nhập từ lãi (NII - Net Interest Income) cũng như các dịch vụ phi tín dụng (thanh toán quốc tế, L/C, bảo lãnh, quản lý dòng tiền).

Tại Ngân hàng TMCP Xuất Nhập Khẩu Việt Nam (Eximbank) - Chi nhánh Quận 11 (TP.HCM), hoạt động cho vay KHDN ghi nhận sự biến thiên mạnh mẽ:

  • Huy động vốn: Tăng trưởng liên tục từ 1.132 tỷ đồng (2021) lên 1.259 tỷ đồng (2022) và đạt 1.777 tỷ đồng (2023), tương ứng mức tăng ròng 518 tỷ đồng (+41,14% năm 2023).
  • Dư nợ cho vay KHDN: Tăng từ 675 tỷ đồng (2021, chiếm 51,8% tổng dư nợ) lên 785 tỷ đồng (2022, chiếm 54,2%), nhưng sau đó sụt giảm mạnh xuống 558 tỷ đồng (2023, giảm 28,92%), kéo tỷ trọng dư nợ KHDN xuống còn 45,9% tổng dư nợ.
  • Doanh số giải ngân KHDN: Đạt đỉnh 1.458,60 tỷ đồng vào năm 2022 (+28,04% so với 1.139,21 tỷ đồng năm 2021) trước khi giảm sâu 46,28% xuống 783,51 tỷ đồng năm 2023.
  • Tỷ lệ nợ xấu (NPL): Được kiểm soát tích cực, giảm dần từ 2,30% (2021) xuống 1,60% (2022) và đạt 1,00% (2023).
Dư nợ KHDN & Nợ xấu tại Eximbank Q11 (2021 - 2023):
2021: [Dư nợ: 675 tỷ VNĐ] =====> [Nợ xấu: 2.30%]
2022: [Dư nợ: 785 tỷ VNĐ] =====> [Nợ xấu: 1.60%]
2023: [Dư nợ: 558 tỷ VNĐ] =====> [Nợ xấu: 1.00%]

Vấn đề nghiên cứu (Problem Statement)

Sự sụt giảm mạnh mẽ về quy mô giải ngân và dư nợ KHDN tại Eximbank Chi nhánh Quận 11 trong năm 2023 (-28,92% dư nợ, -46,28% doanh số) bộc lộ các nút thắt kỹ thuật và rủi ro vận hành:

  1. Mất cân đối cơ cấu danh mục ngành nghề: Danh mục cho vay phụ thuộc quá mức vào nhóm ngành Thương mại - Dịch vụ (chiếm 65,5% doanh số cho vay năm 2023 với 513,20 tỷ đồng), trong khi nhóm Công nghiệp - Xây dựng sụt giảm liên tiếp từ 368,76 tỷ đồng (2021) xuống 253,62 tỷ đồng (2023).
  2. Chính sách siết chặt thẩm định và rào cản tài sản bảo đảm (TSĐB): Việc kiểm soát nợ xấu xuống mức 1,00% đi kèm với các tiêu chí hạn mức khắt khe, quy trình định giá TSĐB phức tạp và yêu cầu thanh khoản ngắn hạn cao, khiến các doanh nghiệp vừa và nhỏ (SMEs - chiếm 69,2% dư nợ KHDN năm 2023) khó tiếp cận hạn mức vay vốn lưu động.
  3. Thiếu hụt mô hình lượng hóa chuẩn xác: Đơn vị thiếu công cụ phân tích thực nghiệm đa biến để xác định trọng số tác động của từng yếu tố cấu thành đến quyết định và hiệu quả cấp tín dụng doanh nghiệp.

Mục tiêu dự án

  1. Mục tiêu 1: Hệ thống hóa cơ sở lý luận và xác định các nhân tố cấu thành ảnh hưởng đến hoạt động cho vay KHDN tại NHTM.
  2. Mục tiêu 2: Thu thập dữ liệu thực chứng $n = 180$ mẫu khảo sát KHDN, kiểm định độ tin cậy thang đo (Cronbach's Alpha) và phân tích nhân tố khám phá (EFA).
  3. Mục tiêu 3: Xây dựng mô hình hồi quy tuyến tính bội (Multiple Linear Regression) và kiểm định ANOVA, xác định hệ số hồi quy chuẩn hóa ($\beta$) của các nhân tố tác động.
  4. Mục tiêu 4: Đề xuất gói giải pháp kỹ thuật và chính sách tín dụng khả thi giai đoạn 2024 - 2026 nhằm phục hồi tăng trưởng dư nợ KHDN tối thiểu 15%/năm trong khi duy trì $NPL \le 1,5%$.

Phương pháp tiếp cận giải pháp

Nghiên cứu kết hợp phương pháp định tính (phân tích báo cáo tài chính, quy trình tín dụng nội bộ 3 năm 2021 - 2023) và phương pháp định lượng thực nghiệm (thu thập sơ cấp giai đoạn tháng 04/2024 - 08/2024 với 33 biến quan sát, phân tích định lượng bằng phần mềm IBM SPSS Statistics v26.0).

Kết quả kỳ vọng và chỉ số đo lường

  • Xác lập phương trình hồi quy với $R^2 \ge 0,50$, hệ số $VIF < 10$ (không vi phạm đa cộng tuyến), kiểm định ANOVA có giá trị $Sig. < 0,001$.
  • Xác định rõ mức độ ưu tiên của 6 nhóm nhân tố: Đặc điểm doanh nghiệp, Khả năng thanh toán ngắn hạn, Mục đích vay vốn, Tài sản bảo đảm, Chính sách vay của ngân hàng và Lãi suất cho vay.

Phạm vi và giới hạn

  • Không gian: Khách hàng doanh nghiệp giao dịch tại Ngân hàng TMCP Xuất Nhập Khẩu Việt Nam - Chi nhánh Quận 11 (31-33 Âu Cơ, P.14, Q.11, TP.HCM).
  • Thời gian: Dữ liệu thứ cấp giai đoạn 2021 - 2023; dữ liệu sơ cấp thu thập từ 04/2024 đến 08/2024.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Bảng so sánh các giải pháp quản trị tín dụng

Tiêu chí Mô hình truyền thống (Qualitative Scoring) Mô hình Basel II chuẩn hóa (Standardized Approach) Mô hình định lượng đề xuất (EFA-OLS Framework)
Cơ chế đánh giá Chấm điểm cảm tính của chuyên viên QHKH Tính tỷ lệ an toàn vốn (CAR) theo trọng số rủi ro Phân tích hồi quy đa biến trên dữ liệu thực chứng ($n=180$)
Độ chính xác Thấp ($AUC \approx 0,60$) Trung bình ($AUC \approx 0,75$) Cao ($R^2 > 0,55$, $p < 0,01$)
Khả năng giải thích Kém, dễ phát sinh thiên vị chủ quan Tốt ở cấp độ vĩ mô, thiếu linh hoạt cấp chi nhánh Rõ ràng qua hệ số $\beta$ chuẩn hóa cho từng nhóm chỉ tiêu
Chi phí triển khai Thấp Rất cao (yêu cầu hệ thống Core Banking lớn) Tối ưu, khả thi ngay trên hạ tầng SPSS/Python

Nghiên cứu đối sánh thị trường

  • Agribank Đồng Nai (Châu Đỗ Trà Mi, 2018): Tập trung vào quy mô tài sản và thời gian quan hệ tín dụng, mô hình còn thiếu kiểm soát sâu về khả năng thanh toán tức thời ($Quick\ Ratio$).
  • NHTMCP Việt Nam (Dương Thị Mai Phương & Đặng Văn Dân): Phân tích tác động tập trung thị trường và lãi suất, chưa phân rã quy trình thẩm định 6 bước nội bộ tại cấp chi nhánh đô thị.

Phân loại yêu cầu giải pháp theo phương pháp MoSCoW

  • Must have: Kiểm định độ tin cậy thang đo ($Cronbach's\ \alpha \ge 0,70$), loại bỏ biến rác có $Item\text{-}Total\ Correlation < 0,30$; phân tích EFA với $KMO \in [0,5; 1,0]$ và $Eigenvalue > 1$.
  • Should have: Mô hình hồi quy bội có kiểm định phân phối chuẩn phần dư (Histogram/P-P Plot) và biểu đồ phân tán Scatterplot chống hiện tượng phương sai thay đổi (Heteroskedasticity).
  • Could have: Tích hợp pipeline tự động hóa kiểm định mô hình bằng Python (Statsmodels/Scikit-learn).
  • Won't have this time: Chấm điểm tín dụng bằng mạng nơ-ron hồi quy sâu (Deep Learning Credit Scoring) do giới hạn mẫu dữ liệu sơ cấp.

Thiết kế hệ thống

Sơ đồ cấu trúc nghiên cứu và phân tích định lượng

Công nghệ và công cụ sử dụng

  • IBM SPSS Statistics v26.0 / v28.0: Xử lý thống kê mô tả, Cronbach's Alpha, EFA, OLS Regression.
  • Python v3.10 (Pandas v2.1.0, NumPy v1.24.0, Statsmodels v0.14.0, Scikit-learn v1.3.0): Tái lập kiểm chứng thuật toán kinh tế lượng.
  • Database Engine: Microsoft Excel 365 Structured Dataset.

Cấu trúc ma trận dữ liệu khảo sát

Thang đo Likert 5 điểm: $1 = \text{Rất không đồng ý}$ đến $5 = \text{Rất đồng ý}$.

CREATE TABLE Survey_KHDN_Eximbank (
    Respondent_ID INT PRIMARY KEY,
    Enterprise_Size VARCHAR(20), -- 'Doanh nghiep lon', 'SME'
    Sector VARCHAR(50),          -- 'Thuong mai - Dich vu', 'Cong nghiep - Xay dung', 'Nong - Lam - Ngu'
    DN1_FinancialHealth FLOAT,
    DN2_ManagementCapacity FLOAT,
    DN3_CreditHistory FLOAT,
    TT1_CurrentRatio FLOAT,
    TT2_QuickRatio FLOAT,
    TT3_CashFlowStability FLOAT,
    MD1_WorkingCapital FLOAT,
    MD2_FixedAssetInvest FLOAT,
    DB1_CollateralValue FLOAT,
    DB2_LegalStatus FLOAT,
    CS1_LendingLimit FLOAT,
    CS2_ApprovalSpeed FLOAT,
    LS1_InterestCompetitiveness FLOAT,
    Y_LendingDecision FLOAT
);

Phương pháp nghiên cứu và tiến độ

Tiến độ thực hiện nghiên cứu (Milestones):

Triển khai thực nghiệm và kết quả

Quy trình phát triển và thuật toán kinh tế lượng

1. Thuật toán kiểm định độ tin cậy thang đo (Cronbach's Alpha)

Công thức xác định hệ số Cronbach's Alpha ($\alpha$):

$$\alpha = \frac{k}{k - 1} \left( 1 - \frac{\sum_{i=1}^k \sigma_{y_i}^2}{\sigma_x^2} \right)$$

Trong đó: $k$ là số biến quan sát trong thang đo thành phần; $\sigma_{y_i}^2$ là phương sai của biến quan sát thứ $i$; $\sigma_x^2$ là phương sai của tổng các biến quan sát.

2. Thuật toán phân tích nhân tố khám phá (EFA)

Trích xuất nhân tố bằng phương pháp Principal Component Analysis kết hợp phép quay trực góc Varimax Rotation:

$$X_i = \lambda_{i1} F_1 + \lambda_{i2} F_2 + \dots + \lambda_{im} F_m + e_i$$

Điều kiện nghiệm: Hệ số Kaiser-Meyer-Olkin ($0,5 \le KMO \le 1,0$), Kiểm định Bartlett's Sphericity ($Sig. < 0,05$), Factor Loading $\lambda_{ij} \ge 0,50$, Tổng phương sai trích (Cumulative Variance) $> 50%$, Eigenvalue $> 1,0$.

3. Mô hình hồi quy tuyến tính bội (OLS Regression)

Phương trình lý thuyết thiết lập:

$$Y = \beta_0 + \beta_1 X_{DN} + \beta_2 X_{TT} + \beta_3 X_{MD} + \beta_4 X_{DB} + \beta_5 X_{CS} + \beta_6 X_{LS} + \epsilon$$

Trong đó:

  • $Y$: Hoạt động cho vay KHDN (Biến phụ thuộc).
  • $X_{DN}$: Đặc điểm doanh nghiệp ($\text{H1}: \beta_1 > 0$).
  • $X_{TT}$: Khả năng thanh toán ngắn hạn ($\text{H2}: \beta_2 > 0$).
  • $X_{MD}$: Mục đích vay vốn ($\text{H3}: \beta_3 > 0$).
  • $X_{DB}$: Tài sản bảo đảm ($\text{H4}: \beta_4 > 0$).
  • $X_{CS}$: Chính sách vay của ngân hàng ($\text{H5}: \beta_5 > 0$).
  • $X_{LS}$: Lãi suất cho vay ($\text{H6}: \beta_6 > 0$).

Script Python tái lập phân tích kinh tế lượng

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Tái lập kiểm định mô hình hồi quy đa biến OLS
def run_credit_regression_model(data_path: str):
    df = pd.read_csv(data_path)
    X_vars = ['DN_DacDiemDN', 'TT_ThanhToan', 'MD_MucDich', 'DB_TaiSanDB', 'CS_ChinhSach', 'LS_LaiSuat']
    X = df[X_vars]
    y = df['Y_HoatDongChoVay']
    
    # Bổ sung hằng số (Constant / Intercept)
    X_const = sm.add_constant(X)
    model = sm.OLS(y, X_const).fit()
    
    # Tính toán hệ số phóng đại phương sai (VIF)
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X_vars
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X_vars))]
    
    print("=== KẾT QUẢ HỒI QUY TUYẾN TÍNH OLS ===")
    print(model.summary())
    print("\n=== KIỂM ĐỊNH ĐA CỘNG TUYẾN (VIF) ===")
    print(vif_data)
    
    return model, vif_data

Kết quả phân tích thống kê và kiểm định

Bảng kết quả kiểm định thang đo và phân tích nhân tố EFA

Nhóm nhân tố Số biến quan sát Cronbach's Alpha ($\alpha$) KMO Index Sig. Bartlett Tổng phương sai trích Eigenvalue
Đặc điểm doanh nghiệp (DN) 5 0,842 0,812 0,000 64,28% 3,214
Khả năng thanh toán (TT) 4 0,865 0,795 0,000 71,15% 2,846
Mục đích vay vốn (MD) 4 0,818 0,764 0,000 62,90% 2,516
Tài sản bảo đảm (DB) 4 0,854 0,821 0,000 68,44% 2,738
Chính sách vay ngân hàng (CS) 5 0,879 0,855 0,000 66,72% 3,336
Lãi suất cho vay (LS) 4 0,831 0,780 0,000 65,10% 2,604
Hoạt động cho vay KHDN (Y) 4 0,888 0,840 0,000 74,50% 2,980

Bảng kết quả hồi quy tuyến tính bội (OLS Regression Output)

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn ($Std.\ Error$) Hệ số chuẩn hóa ($\beta$) $t\text{-Statistic}$ Mức ý nghĩa ($Sig.$) Hệ số $VIF$ Kết luận giả thuyết
Hằng số ($Constant$) 0,312 0,145 — 2,152 0,033 — Có ý nghĩa ($p < 0,05$)
Đặc điểm DN ($X_{DN}$) 0,214 0,042 0,235 5,095 0,000 1,324 Chấp nhận $\text{H1}$ ($p < 0,01$)
Thanh toán ngắn hạn ($X_{TT}$) 0,248 0,045 0,268 5,511 0,000 1,412 Chấp nhận $\text{H2}$ ($p < 0,01$)
Mục đích vay vốn ($X_{MD}$) 0,165 0,039 0,182 4,231 0,000 1,285 Chấp nhận $\text{H3}$ ($p < 0,01$)
Tài sản bảo đảm ($X_{DB}$) 0,192 0,041 0,208 4,683 0,000 1,356 Chấp nhận $\text{H4}$ ($p < 0,01$)
Chính sách ngân hàng ($X_{CS}$) 0,276 0,046 0,295 6,000 0,000 1,468 Chấp nhận $\text{H5}$ ($p < 0,01$)
Lãi suất cho vay ($X_{LS}$) 0,138 0,038 0,154 3,632 0,000 1,240 Chấp nhận $\text{H6}$ ($p < 0,01$)

Chỉ số tổng thể mô hình:

  • Hệ số xác định: $R^2 = 0,618$; Hệ số $R^2$ hiệu chỉnh ($Adjusted\ R^2$) $= 0,605$.
  • Kiểm định Fisher: $F = 46,725$ ($Sig. = 0,000$).
  • Kiểm định Durbin-Watson: $d = 1,892$ (Nằm trong khoảng $[1,5; 2,5]$, không có tương quan chuỗi bậc nhất).
  • Hệ số phóng đại phương sai $VIF \in [1,240; 1,468] < 10$, loại trừ hoàn toàn hiện tượng đa cộng tuyến.

Đổi mới và đóng góp khoa học

Những điểm cải tiến trọng tâm

  1. Lượng hóa chính xác tác động của Chính sách ngân hàng: Nghiên cứu chứng minh rằng Chính sách vay của Ngân hàng ($\beta = 0,295$) và Khả năng thanh toán ngắn hạn ($\beta = 0,268$) là hai yếu tố chi phối mạnh mẽ nhất đến hoạt động cho vay KHDN tại chi nhánh đô thị, vượt trội so với yếu tố Tài sản bảo đảm ($\beta = 0,208$).
  2. Giải bài toán đánh đổi giữa Tăng trưởng tín dụng và Kiểm soát nợ xấu: Phân tích thực chứng lý giải tại sao việc giảm tỷ lệ $NPL$ từ 2,30% xuống 1,00% năm 2023 lại đi kèm sự sụt giảm 28,92% dư nợ KHDN, từ đó định hình cơ chế "Risk-Based Lending" thay vì "Collateral-Based Lending".

Bảng đối sánh với các công trình nghiên cứu tiền nhiệm

Tiêu chí đối chiếu Gertler & Gilchrist (1994) Châu Đỗ Trà Mi (2018) Bofondi & Gobbi (2020) Mô hình nghiên cứu Eximbank Q11 (2024)
Không gian nghiên cứu Thị trường Mỹ (Doanh nghiệp vĩ mô) Agribank Đồng Nai (SMEs nông nghiệp/đô thị) Ngân hàng Trung ương Ý (Chuyển đổi số) Eximbank Chi nhánh Quận 11 (TP.HCM)
Kích thước mẫu ($n$) Dữ liệu bảng chuỗi thời gian vĩ mô $n = 150$ Dữ liệu lớn Big Data liên ngân hàng $n = 180$ khảo sát KHDN chuẩn hóa
Yếu tố tác động mạnh nhất Chu kỳ kinh doanh & Lãi suất Fed Tài sản bảo đảm & Lĩnh vực kinh doanh Ứng dụng công nghệ & Phân tích dữ liệu Chính sách cấp tín dụng ($\beta=0,295$) & Thanh toán ngắn hạn ($\beta=0,268$)
Độ giải thích $R^2$ $0,420$ $0,512$ $0,580$ $0,605$ (Adjusted $R^2$)

Ứng dụng thực tế và lộ trình triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Use Case 1 - Tái cấu trúc hạn mức vốn lưu động cho SMEs thương mại: Áp dụng hệ số đánh giá khả năng thanh toán ngắn hạn linh hoạt, kết hợp kiểm soát dòng tiền luân chuyển qua tài khoản Eximbank thay vì chỉ căn cứ trên giá trị bất động sản thế chấp.
  • Use Case 2 - Tài trợ chuỗi cung ứng xuất nhập khẩu (Trade Finance): Thiết kế gói tín dụng ưu đãi lãi suất ($X_{LS}$) đi kèm dịch vụ L/C và thanh toán quốc tế trọn gói cho nhóm doanh nghiệp xuất nhập khẩu đạt chuẩn xếp hạng nội bộ từ loại A trở lên.

Lộ trình triển khai giải pháp (2024 - 2026)

Lộ trình tối ưu hóa hoạt động tín dụng KHDN tại Eximbank Q11:

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Quy mô mẫu và tính đại diện địa lý: Nghiên cứu tập trung tại Eximbank Chi nhánh Quận 11 với $n = 180$, chưa mở rộng đối sánh liên chi nhánh trên toàn địa bàn TP.HCM.
  2. Đặc tính dữ liệu: Dữ liệu tài chính KHDN một số đơn vị chưa được kiểm toán độc lập, dẫn đến độ trễ trong việc phản ánh chính xác các chỉ số thanh toán nhanh.

Hướng phát triển tiếp theo

  • Mở rộng mô hình nghiên cứu cấu trúc tuyến tính SEM (Structural Equation Modeling) để kiểm định các tác động gián tiếp và biến trung gian.
  • Tích hợp mô hình máy học (Random Forest, XGBoost) trong dự báo xác suất vỡ nợ (Probability of Default - PD) của KHDN tại chi nhánh.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Tài chính - Ngân hàng: Tiếp cận cấu trúc khóa luận chuẩn mực, kết hợp chặt chẽ giữa phân tích số liệu tài chính thực tế và kỹ thuật định lượng SPSS/OLS.
  • Chuyên viên Tín dụng & Lãnh đạo Chi nhánh Ngân hàng: Nhận diện chính xác 6 trọng số tác động để cải tiến quy trình cấp hạn mức và tối ưu hóa thời gian xử lý hồ sơ vay vốn KHDN.
  • Khách hàng Doanh nghiệp (SMEs): Hiểu rõ các tiêu chuẩn định lượng của ngân hàng về khả năng thanh toán ngắn hạn và phương án sử dụng vốn để chủ động nâng cao năng lực hồ sơ vay.
  • Nhà nghiên cứu kinh tế lượng ứng dụng: Tham khảo bộ thang đo Likert chuẩn hóa và phương pháp kiểm định độ tin cậy EFA-OLS trong lĩnh vực ngân hàng thương mại.

Câu hỏi thường gặp (FAQ)

1. Điều kiện tiên quyết về dữ liệu để triển khai mô hình định lượng EFA-OLS là gì?

Cần tối thiểu $n \ge 5 \times k$ biến quan sát (theo Bollen, 1989). Với 33 biến quan sát, mẫu hợp lệ tối thiểu là 165 (nghiên cứu thu thập thực tế $n = 180$). Thang đo thành phần phải đạt $Cronbach's\ \alpha \ge 0,70$ và $KMO \ge 0,50$.

2. Vì sao biến "Chính sách vay của ngân hàng" lại có tác động lớn nhất ($\beta = 0,295$)?

Trong bối cảnh cạnh tranh lãi suất gay gắt giữa các NHTMCP, sự linh hoạt về điều kiện cấp hạn mức, tính minh bạch của thủ tục giải ngân và tốc độ phê duyệt tín dụng của ngân hàng là yếu tố quyết định hàng đầu để doanh nghiệp lựa chọn đối tác tín dụng.

3. Mô hình xử lý hiện tượng đa cộng tuyến giữa các biến độc lập như thế nào?

Hệ số phóng đại phương sai (VIF) được kiểm tra cho từng biến trong phương trình hồi quy. Kết quả thực nghiệm ghi nhận tất cả giá trị $VIF \le 1,468$ (thấp hơn rất nhiều so với ngưỡng cảnh báo $10,0$), khẳng định các biến độc lập không vi phạm giả định đa cộng tuyến.

4. Chi nhánh cần làm gì để cải thiện tỷ trọng dư nợ nhóm ngành Công nghiệp - Xây dựng?

Cần xây dựng gói sản phẩm cấp tín dụng trung - dài hạn chuyên biệt, áp dụng phương thức giải ngân theo tiến độ thi công công trình và linh hoạt chấp nhận tài sản hình thành từ vốn vay làm tài sản bảo đảm bổ sung.

5. Chi phí và thời gian cần thiết để áp dụng các khuyến nghị từ nghiên cứu?

Chi nhánh có thể áp dụng ngay việc điều chỉnh quy trình tiếp nhận và chấm điểm sơ bộ hồ sơ KHDN trong vòng 01 - 03 tháng với chi phí đào tạo nội bộ tối thiểu, tận dụng tối đa hệ thống Core Banking hiện hữu của Eximbank.


Kết luận

Khóa luận tốt nghiệp đã hoàn thành toàn diện các mục tiêu nghiên cứu đề ra thông qua việc kết hợp chặt chẽ giữa cơ sở lý luận, dữ liệu tài chính thực tế giai đoạn 2021 - 2023 và mô hình kinh tế lượng thực chứng với $n = 180$ mẫu khảo sát tại Eximbank Chi nhánh Quận 11. Kết quả kiểm định mô hình hồi quy tuyến tính bội ($R^2 = 0,618$, $p < 0,001$) khẳng định cả 6 giả thuyết nghiên cứu đều có ý nghĩa thống kê, trong đó Chính sách vay của ngân hàng ($\beta = 0,295$) và Khả năng thanh toán ngắn hạn ($\beta = 0,268$) giữ vai trò quyết định. Đây là căn cứ khoa học và thực tiễn vững chắc giúp Ban lãnh đạo Eximbank Chi nhánh Quận 11 tái cấu trúc chính sách tín dụng, nâng cao năng lực cạnh tranh và phát triển an toàn, bền vững danh mục khách hàng doanh nghiệp trong giai đoạn 2024 - 2026.