Giới thiệu dự án

Hoạt động tín dụng luôn là nghiệp vụ kinh doanh cốt lõi, đóng góp từ 70% đến 80% tổng thu nhập của hệ thống ngân hàng thương mại (NHTM) Việt Nam. Tuy nhiên, hoạt động này cũng tiềm ẩn rủi ro tín dụng (RRTD) lớn nhất – nguyên nhân chính dẫn đến các cuộc khủng hoảng tài chính có tính chu kỳ. Theo thống kê của Ngân hàng Nhà nước (NHNN), dư nợ tín dụng đối với lĩnh vực bất động sản (BĐS) chiếm khoảng 21,46% tổng dư nợ toàn nền kinh tế, trong đó 64% phục vụ nhu cầu tiêu dùng/tự sử dụng và 36% thuộc hoạt động kinh doanh BĐS. Sự phụ thuộc chặt chẽ giữa chu kỳ thị trường tài sản và an toàn hệ thống ngân hàng đòi hỏi một mô hình lượng hóa chuẩn xác các nhân tố tác động đến nợ xấu.

Vấn đề cốt lõi đặt ra là việc xác định các xung lực nội tại (năng lực quản trị, thanh khoản, quy mô) và cú sốc vĩ mô (lạm phát, biến động giá BĐS) chi phối tỷ lệ nợ xấu (Non-Performing Loans - NPL) ra sao trong bối cảnh các chu kỳ tài chính biến động phức tạp giai đoạn hậu khủng hoảng và phục hồi kinh tế.

Mục tiêu nghiên cứu được xác định cụ thể:

  1. Xác định hệ thống các nhân tố vi mô và vĩ mô tác động đến tỷ lệ nợ xấu của các NHTM Việt Nam.
  2. Lượng hóa chiều hướng và mức độ tác động của từng nhân tố thông qua phương pháp phân tích kinh tế lượng trên dữ liệu bảng (Panel Data).
  3. Đề xuất hệ thống giải pháp và hàm ý chính sách dựa trên thực nghiệm kinh tế lượng cho các nhà quản trị rủi ro và cơ quan điều hành tiền tệ.

Giải pháp nghiên cứu sử dụng phương pháp định lượng hồi quy đa biến trên dữ liệu bảng kết hợp xử lý các khuyết tật mô hình (phương sai sai số thay đổi và tự tương quan) bằng phương pháp bình phương nhỏ nhất tổng quát (Generalized Least Squares - GLS).

Phạm vi và giới hạn nghiên cứu:

  • Không gian: 27 NHTM cổ phần tại Việt Nam có đầy đủ báo cáo tài chính kiểm toán và báo cáo thường niên.
  • Thời gian: 11 năm liên tục (2012 – 2022), tạo thành bộ dữ liệu bảng cân bằng/không cân bằng với tổng cộng 297 quan sát ($N = 27, T = 11$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các công trình nghiên cứu trước đây tại Việt Nam và trên thế giới đã tiếp cận bài toán rủi ro tín dụng qua nhiều khía cạnh nhưng còn tồn tại các khoảng trống kỹ thuật rõ rệt:

Tiêu chí so sánh Mô hình VAR & Monte Carlo (Nguyễn Trúc Phương, 2013) Hồi quy FEM/REM tĩnh (Lê Thanh Tâm et al., 2021) Mô hình đề xuất (GLS Panel Regression, 2024)
Dữ liệu phân tích Dữ liệu chuỗi thời gian vĩ mô (2004–2013) 35 NHTM (2012–2020) 27 NHTM (2012–2022), 297 quan sát
Chỉ số giá BĐS (RPI) Có tích hợp (Savills) Không tích hợp Tích hợp chuỗi số liệu RPI chính thống từ Savills
Xử lý khuyết tật mô hình Không áp dụng cho dữ liệu bảng ngân hàng Chỉ dừng ở kiểm định FEM/REM cơ bản Kiểm định toàn diện (Wooldridge, Wald) & khắc phục bằng FGLS
Độ bao phủ chu kỳ kinh tế Giai đoạn khủng hoảng cũ Chưa bao gồm giai đoạn dịch bệnh 2021–2022 Bao phủ trọn vẹn chu kỳ 11 năm (2012–2022)

Ưu tiên hóa các giả thuyết nghiên cứu theo mô hình MoSCoW:

  • Must have: Lượng hóa tác động của $ROA$, $SIZE$, $LDR$, $LLP$, $INF$ đến tỷ lệ $NPL$.
  • Should have: Bổ sung và kiểm định vai trò của biến vĩ mô thị trường tài sản ($RPI$).
  • Could have: Kiểm định sự ảnh hưởng của tốc độ tăng trưởng kinh tế ($GDP$).
  • Won't have (lần này): Chưa mở rộng sang các biến phi tài chính (cơ cấu ban điều hành, chỉ số ESG ngân hàng).

Thiết kế hệ thống

Mô hình hồi quy tuyến tính dữ liệu bảng được thiết lập theo phương trình tổng quát:

$$NPL_{i,t} = \beta_0 + \beta_1 SIZE_{i,t} + \beta_2 ROA_{i,t} + \beta_3 LDR_{i,t} + \beta_4 LLP_{i,t} + \beta_5 GDP_{i,t} + \beta_6 INF_{i,t} + \beta_7 RPI_{i,t} + \varepsilon_{i,t}$$

Trong đó:

  • $i$: Đại diện cho ngân hàng thương mại thứ $i$ ($i = 1, 2, ..., 27$).
  • $t$: Đại diện cho năm quan sát ($t = 2012, 2013, ..., 2022$).
  • $\beta_0$: Hệ số chặn (Constant intercept).
  • $\beta_1 \dots \beta_7$: Các hệ số hồi quy tương ứng với các biến giải thích.
  • $\varepsilon_{i,t}$: Sai số ngẫu nhiên của mô hình.

Quy chuẩn đo lường các biến số:

  1. Biến phụ thuộc:
    • $NPL_{i,t}$ (Tỷ lệ nợ xấu): Đo lường bằng $\frac{\text{Dư nợ nhóm 3 + Nhóm 4 + Nhóm 5}}{\text{Tổng dư nợ cho vay}} \times 100%$.
  2. Nhóm biến đặc thù ngân hàng (Bank-specific variables):
    • $SIZE_{i,t}$: Logarit tự nhiên của tổng tài sản ($\ln(\text{Total Assets})$).
    • $ROA_{i,t}$: Tỷ suất sinh lời trên tổng tài sản ($\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}} \times 100%$).
    • $LDR_{i,t}$: Tỷ lệ dư nợ cho vay trên tổng vốn huy động ($\frac{\text{Tổng dư nợ}}{\text{Tổng tiền gửi}} \times 100%$).
    • $LLP_{i,t}$: Tỷ lệ trích lập dự phòng RRTD ($\frac{\text{Dự phòng RRTD}}{\text{Tổng dư nợ}} \times 100%$).
  3. Nhóm biến kinh tế vĩ mô (Macroeconomic variables):
    • $GDP_t$: Tốc độ tăng trưởng tổng sản phẩm quốc nội ($\frac{GDP_t - GDP_{t-1}}{GDP_{t-1}} \times 100%$).
    • $INF_t$: Tỷ lệ lạm phát đo lường theo chỉ số giá tiêu dùng CPI ($\frac{CPI_t - CPI_{t-1}}{CPI_{t-1}} \times 100%$).
    • $RPI_t$: Chỉ số biến động giá BĐS bình quân căn hộ và đất nền theo báo cáo Savills ($P_t / P_0$).

Công cụ công nghệ thực thi: Stata 17 MP, hỗ trợ xử lý ma trận ma phương sai phức tạp và tính toán hồi quy bình phương nhỏ nhất tổng quát khả thi (Feasible GLS).

Methodology

Quy trình nghiên cứu định lượng tuân thủ nghiêm ngặt 5 bước chuẩn mực trong kinh tế lượng ứng dụng:

  1. Thống kê mô tả và phân tích ma trận tương quan: Đánh giá độ lệch chuẩn, giá trị trung bình, min/max và kiểm tra hiện tượng đa cộng tuyến thông qua hệ số phóng đại phương sai (Variance Inflation Factor - VIF).
  2. Ước lượng các mô hình cơ sở: Thực hiện hồi quy Pooled OLS, Mô hình tác động cố định (Fixed Effects Model - FEM) và Mô hình tác động ngẫu nhiên (Random Effects Model - REM).
  3. Kiểm định lựa chọn mô hình tối ưu:
    • F-test: So sánh giữa Pooled OLS và FEM ($H_0$: Pooled OLS phù hợp hơn).
    • Breusch and Pagan Lagrangian Multiplier Test: So sánh giữa Pooled OLS và REM ($H_0$: Không có hiệu ứng ngẫu nhiên giữa các ngân hàng).
    • Hausman Test: So sánh giữa FEM và REM ($H_0$: REM là ước lượng hiệu quả và không chệch).
  4. Kiểm định khuyết tật mô hình:
    • Kiểm định hiện tượng phương sai sai số thay đổi (Modified Wald Test cho FEM / White Test cho REM).
    • Kiểm định tự tương quan (Wooldridge Test cho dữ liệu bảng).
  5. Khắc phục khuyết tật bằng mô hình GLS (FGLS): Đảm bảo ước lượng thu được là ước lượng tuyến tính không chệch tốt nhất (BLUE).

Implementation và kết quả

Development process

Quá trình xử lý và ước lượng dữ liệu bảng được tự động hóa thông qua cấu trúc script Stata (do-file):

* Thiết lập không gian làm việc và cấu trúc dữ liệu bảng
clear all
set more off
import excel "bank_credit_risk_2012_2022.xlsx", sheet("Data") firstrow

* Định danh biến bảng: Bank_ID (mã định danh 27 NHTM), Year (2012 - 2022)
destring Bank_ID Year NPL SIZE ROA LDR LLP GDP INF RPI, replace
xtset Bank_ID Year

* 1. Thống kê mô tả và ma trận hệ số tương quan
summarize NPL SIZE ROA LDR LLP GDP INF RPI
corr NPL SIZE ROA LDR LLP GDP INF RPI

* 2. Ước lượng Pooled OLS và kiểm tra đa cộng tuyến
reg NPL SIZE ROA LDR LLP GDP INF RPI
vif

* 3. Ước lượng mô hình Fixed Effects (FEM) và Random Effects (REM)
xtreg NPL SIZE ROA LDR LLP GDP INF RPI, fe
estimates store fixed_eff

xtreg NPL SIZE ROA LDR LLP GDP INF RPI, re
estimates store random_eff

* 4. Kiểm định lựa chọn mô hình
hausman fixed_eff random_eff
xttest0

* 5. Kiểm định khuyết tật mô hình (Phương sai sai số thay đổi & Tự tương quan)
xtserial NPL SIZE ROA LDR LLP GDP INF RPI
xttest3

* 6. Hồi quy GLS khắc phục triệt để phương sai thay đổi và tự tương quan
xtgls NPL SIZE ROA LDR LLP GDP INF RPI, panels(hetero) corr(ar1)

Testing và validation

Kết quả kiểm định thống kê chẩn đoán mô hình:

  1. Kiểm định đa cộng tuyến (VIF): Tất cả các biến độc lập đều có hệ số $VIF < 3.0$ (trung bình $VIF \approx 1.45$), thấp hơn nhiều so với ngưỡng cảnh báo $VIF = 10$, chứng minh không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.

  2. Lựa chọn mô hình:

    • Kiểm định F-test và Breusch-Pagan Test ($p\text{-value} < 0.001$) bác bỏ mô hình Pooled OLS.
    • Kiểm định Hausman Test ($p\text{-value} = 0.084 > 0.05$) chỉ ra rằng mô hình tác động ngẫu nhiên (REM) được ưu tiên hơn FEM ở mức ý nghĩa 5%.

  3. Chẩn đoán khuyết tật mô hình:

    • Kiểm định Modified Wald Test cho thấy sự tồn tại của hiện tượng phương sai sai số thay đổi giữa các ngân hàng ($p\text{-value} = 0.0000$).
    • Kiểm định Wooldridge Test xác nhận có hiện tượng tự tương quan bậc một ($p\text{-value} = 0.0041$).
    • Kết luận: Mô hình REM gốc bị vi phạm giả định Gauss-Markov, đòi hỏi phải sử dụng kỹ thuật hồi quy Cross-sectional Time-series FGLS (xtgls, panels(hetero) corr(ar1)) để thu được hệ số ước lượng chuẩn xác.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng thực nghiệm từ mô hình hồi quy GLS cuối cùng ($N = 297$ quan sát):

| Tên biến | Ký hiệu | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị thống kê $z$ | $P > |z|$ (Mức ý nghĩa) | Kỳ vọng lý thuyết | Kết luận thực nghiệm | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | Quy mô ngân hàng | SIZE | -0.1842 | 0.0412 | -4.47 | 0.000*** | Âm (-) | Tác động ngược chiều | | Tỷ suất sinh lời | ROA | -0.3150 | 0.0824 | -3.82 | 0.000*** | Âm (-) | Tác động ngược chiều | | Thanh khoản cho vay| LDR | +0.0114 | 0.0039 | 2.92 | 0.003*** | Dương (+) | Tác động cùng chiều | | Dự phòng rủi ro | LLP | +0.6428 | 0.0519 | 12.38 | 0.000*** | Dương (+) | Tác động cùng chiều | | Tăng trưởng kinh tế| GDP | -0.0125 | 0.0186 | -0.67 | 0.502 (K.Ý.N) | Âm (-) | Không có ý nghĩa | | Lạm phát | INF | +0.0681 | 0.0211 | 3.23 | 0.001*** | Dương (+) | Tác động cùng chiều | | Chỉ số giá BĐS | RPI | -0.0195 | 0.0068 | -2.87 | 0.004*** | Âm (-) | Tác động ngược chiều | | Hệ số chặn | _cons | +3.8421 | 0.8924 | 4.30 | 0.000*** | - | - |

(Ghi chú: *** $p < 0.01$; ** $p < 0.05$; * $p < 0.1$; K.Ý.N: Không có ý nghĩa thống kê).

Đổi mới và đóng góp

Technical innovations

  1. Đưa chỉ số giá bất động sản ($RPI$) vào cấu trúc kinh tế lượng bảng: Khắc phục khoảng trống lớn của hầu hết các nghiên cứu trước đây tại Việt Nam (thường bỏ qua biến giá thị trường tài sản thực hoặc chỉ dùng chuỗi thời gian đơn biến). Nghiên cứu định lượng rõ ràng: khi chỉ số giá BĐS tăng 1 đơn vị, tỷ lệ nợ xấu trung bình giảm 0.0195 điểm phần trăm do giá trị tài sản đảm bảo gia tăng, giảm thiểu xác suất vỡ nợ của bên vay.
  2. Khắc phục toàn diện khuyết tật chuỗi thời gian trên dữ liệu bảng: Không dừng lại ở kết quả OLS/FEM/REM cơ bản vốn dễ bị chệch hệ số khi xuất hiện phương sai thay đổi và tự tương quan, đề tài sử dụng phương pháp hồi quy GLS cho kết quả có độ tin cậy tiệm cận cao.
  3. Chứng minh hiện tượng "Trích lập dự phòng theo đuổi nợ xấu" ($LLP$ đồng biến mạnh với $\beta = +0.6428$): Phản ánh thực tế các ngân hàng Việt Nam thường gia tăng trích lập dự phòng như một phản ứng thụ động khi nợ xấu đã phát sinh, thay vì trích lập mang tính dự báo đón đầu chu kỳ rủi ro theo khuyến nghị Basel III.

So sánh với các giải pháp tiền nhiệm

  • Về yếu tố Quy mô ($SIZE$): Kết quả chứng minh quy mô lớn giúp đa dạng hóa danh mục cho vay và quản trị rủi ro tốt hơn ($\beta = -0.1842$), bác bỏ giả thuyết cho rằng ngân hàng lớn sẽ nới lỏng tín dụng vì tư tưởng "Quá lớn để sụp đổ" (Too Big To Fail) tại thị trường Việt Nam giai đoạn này.
  • Về yếu tố Thanh khoản ($LDR$): Xác định rõ mối tương quan dương ($\beta = +0.0114$), cảnh báo việc đẩy mạnh tỷ lệ cho vay trên huy động sẽ kéo theo suy giảm chất lượng thẩm định và gia tăng nợ xấu.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong ngân hàng thương mại

  1. Tích hợp vào Hệ thống Cảnh báo Sớm (Early Warning System - EWS): Phòng Quản lý rủi ro tín dụng có thể tích hợp trọng số hệ số $\beta$ của $LDR$, $RPI$ và $INF$ vào thuật toán tính điểm rủi ro danh mục. Khi chỉ số giá BĐS tại các đô thị trọng điểm suy giảm hoặc tỷ lệ lạm phát vượt ngưỡng mục tiêu, hệ thống EWS sẽ tự động kích hoạt cảnh báo thắt chặt hạn mức cấp tín dụng cho phân khúc cho vay thế chấp BĐS.
  2. Quản trị tỷ lệ an toàn vốn và trích lập dự phòng: Chuyển dịch quy trình trích lập dự phòng từ mô hình tổn thất đã phát sinh sang mô hình tổn thất tín dụng dự kiến (Expected Credit Loss - ECL) theo chuẩn mực IFRS 9 và Basel II/III.

Phân tích chi phí - lợi ích (Cost-Benefit & ROI)

  • Chi phí triển khai: Đầu tư nâng cấp module phân tích định lượng và tích hợp API dữ liệu vĩ mô/BĐS ước tính từ 300 - 500 triệu VNĐ cho một ngân hàng tầm trung.
  • Lợi ích kinh tế: Với một NHTM có quy mô tổng dư nợ 150.000 tỷ VNĐ, việc ứng dụng mô hình giúp nhận diện sớm xu hướng biến động và kiểm soát tỷ lệ nợ xấu giảm 0,1% (tương đương 150 tỷ VNĐ nợ xấu không phát sinh), giúp tiết kiệm hàng chục tỷ đồng chi phí trích lập dự phòng rủi ro và chi phí xử lý nợ tồn đọng hàng năm.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Tính chất dữ liệu bảng tĩnh: Mô hình GLS giải quyết tốt hiện tượng phương sai thay đổi và tự tương quan nhưng chưa kiểm soát triệt để hiện tượng nội sinh (Endogeneity) và độ trễ phân phối của biến nợ xấu trong quá khứ ($NPL_{t-1}$).
  2. Quy mô mẫu: Mẫu nghiên cứu dừng lại ở 27 NHTM do các ngân hàng bị kiểm soát đặc biệt hoặc ngân hàng 100% vốn nước ngoài không công bố đầy đủ số liệu chuỗi thời gian liên tục 2012–2022.

Hướng nghiên cứu mở rộng

  1. Ứng dụng mô hình GMM sai phân hoặc GMM hệ thống (System GMM): Đưa biến trễ $NPL_{t-1}$ vào phương trình hồi quy động để lượng hóa quán tính của nợ xấu theo thời gian.
  2. Tích hợp Machine Learning: Kết hợp các thuật toán học máy (XGBoost, LightGBM, Random Forest) với các biến số kinh tế lượng để xây dựng mô hình dự báo nợ xấu cá nhân và doanh nghiệp theo thời gian thực.
  3. Mở rộng biến số vi mô chuyên sâu: Bổ sung các chỉ số đo lường hiệu quả chi phí (Cost-to-Income Ratio - CIR), cơ cấu tiền gửi không kỳ hạn (CASA) và hệ số an toàn vốn (Capital Adequacy Ratio - CAR).

Đối tượng hưởng lợi

  • Sinh viên, học viên ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận nghiên cứu khoa học chuẩn mực, quy trình 5 bước kiểm định từ Pooled OLS, FEM, REM đến GLS trên phần mềm Stata.
  • Chuyên viên định lượng (Quantitative Risk Analyst): Kế thừa mã lệnh Stata chuẩn hóa, thuật toán kiểm định khuyết tật mô hình để áp dụng vào dữ liệu thực tế tại ngân hàng.
  • Ban điều hành các Ngân hàng thương mại: Có cơ sở khoa học để thiết lập trần tỷ lệ $LDR$, xây dựng kế hoạch cân đối tài sản sinh lời ($ROA$) và nâng cao năng lực thẩm định đối với các khoản vay có tài sản đảm bảo bằng BĐS.
  • Ngân hàng Nhà nước và các cơ quan hoạch định chính sách: Dữ liệu thực nghiệm hỗ trợ quá trình ban hành các thông tư quy định về tỷ lệ an toàn vốn, kiểm soát dòng vốn tín dụng chảy vào các phân khúc BĐS đầu cơ và điều hành tỷ lệ lạm phát mục tiêu.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lựa chọn mô hình GLS thay vì giữ nguyên mô hình REM hay FEM?

Mặc dù kiểm định Hausman chỉ ra REM là mô hình phù hợp về mặt lý thuyết, nhưng kiểm định Modified Wald và Wooldridge đã phát hiện dữ liệu vi phạm hai giả định kinh tế lượng cơ bản: có hiện tượng phương sai sai số thay đổi giữa các ngân hàng ($p < 0.001$) và hiện tượng tự tương quan chuỗi ($p < 0.01$). Phương pháp bình phương nhỏ nhất tổng quát khả thi (FGLS) là công cụ toán học tối ưu để hiệu chỉnh ma trận hiệp phương sai, loại bỏ hiện tượng sai lệch sai số chuẩn và đảm bảo các hệ số ước lượng tin cậy, không chệch.

2. Tại sao biến tăng trưởng kinh tế (GDP) không có ý nghĩa thống kê trong mô hình này?

Trong giai đoạn 2012–2022, Việt Nam duy trì tốc độ tăng trưởng GDP tương đối ổn định (ngoại trừ cú sốc dịch bệnh năm 2020–2021). Tuy nhiên, độ trễ chính sách tài khóa - tiền tệ và chính sách tái cơ cấu nợ, giữ nguyên nhóm nợ theo các Thông tư của NHNN (như Thông tư 01/2020/TT-NHNN, Thông tư 14/2021/TT-NHNN) đã làm giảm tác động trực tiếp của biến động GDP tức thời lên tỷ lệ nợ xấu ghi nhận trên sổ sách của các ngân hàng.

3. Tỷ lệ LDR tác động cùng chiều đến rủi ro tín dụng phản ánh điều gì trong quản trị ngân hàng?

Tỷ lệ $LDR$ (Dư nợ cho vay / Vốn huy động) phản ánh mức độ căng thẳng thanh khoản. Khi $LDR$ tăng cao, ngân hàng đang sử dụng tối đa nguồn vốn huy động để cho vay nhằm tối ưu hóa lợi nhuận. Điều này dẫn đến xu hướng nới lỏng tiêu chuẩn thẩm định tín dụng, mở rộng cho vay đối với các nhóm khách hàng có độ rủi ro cao hơn, từ đó làm gia tăng tỷ lệ nợ xấu trong trung và dài hạn.

4. Báo cáo tài chính của 27 ngân hàng được xử lý như thế nào để đảm bảo tính nhất quán dữ liệu?

Dữ liệu được trích xuất từ báo cáo tài chính hợp nhất đã được kiểm toán bởi các công ty kiểm toán độc lập uy tín (Big 4 và các đơn vị kiểm toán hàng đầu), sau đó được chuẩn hóa theo hệ thống tài khoản kế toán các tổ chức tín dụng do NHNN ban hành. Các biến số tỷ lệ ($ROA$, $NPL$, $LDR$, $LLP$) được tính toán đồng nhất theo cùng một công thức toán học cho toàn bộ 27 ngân hàng qua 11 năm.

5. Khuyến nghị cấp thiết nhất cho hệ thống NHTM từ kết quả nghiên cứu này là gì?

Ngân hàng cần chủ động kiểm soát chặt chẽ hệ số an toàn thanh khoản $LDR$, không chạy theo tăng trưởng tín dụng nóng bằng mọi giá; đồng thời phải theo dõi sát sao chu kỳ biến động của chỉ số giá bất động sản ($RPI$) để kịp thời điều chỉnh tỷ lệ cho vay trên giá trị tài sản đảm bảo (LTV - Loan to Value), tránh tình trạng nợ xấu tăng vọt khi thị trường bất động sản đóng băng.

Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện mục tiêu lượng hóa các nhân tố chi phối rủi ro tín dụng tại 27 NHTM Việt Nam giai đoạn 2012–2022 thông qua bộ dữ liệu 297 quan sát. Bằng việc áp dụng phương pháp ước lượng vững GLS để xử lý triệt để các khuyết tật mô hình kinh tế lượng, nghiên cứu đã cung cấp bằng chứng thực nghiệm rõ ràng:

  • Nhân tố kéo giảm nợ xấu: Tỷ suất sinh lời ($ROA$, $\beta = -0.3150$), Quy mô ngân hàng ($SIZE$, $\beta = -0.1842$) và Chỉ số giá bất động sản ($RPI$, $\beta = -0.0195$).
  • Nhân tố gia tăng nợ xấu: Tỷ lệ dự phòng RRTD ($LLP$, $\beta = +0.6428$), Tỷ lệ lạm phát ($INF$, $\beta = +0.0681$) và Khả năng thanh khoản ($LDR$, $\beta = +0.0114$).

Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà quản trị ngân hàng trong việc xây dựng khung quản trị rủi ro định lượng, đồng thời hỗ trợ Ngân hàng Nhà nước trong việc hoàn thiện các quy định an toàn vĩ mô nhằm duy trì sự ổn định, bền vững của hệ thống tài chính quốc gia.