Giới thiệu dự án

Hoạt động tín dụng giữ vai trò huyết mạch trong cấu trúc tài chính của các Ngân hàng Thương mại (NHTM) tại Việt Nam, đóng góp từ 70% đến 80% tổng doanh thu hoạt động. Tuy nhiên, rủi ro tín dụng (RRTD) – biểu hiện trực tiếp qua tỷ lệ nợ xấu (Non-Performing Loans - NPL) – luôn là mối đe dọa thường trực đối với sự an toàn hệ thống và ổn định kinh tế vĩ mô. Sau giai đoạn đại dịch Covid-19 và biến động kinh tế toàn cầu, tổng nợ xấu nội bảng của 28 NHTM Việt Nam tính đến cuối năm 2022 đã đạt 137.501 tỷ đồng (tăng gần 35% so với đầu năm 2022). Bước sang năm 2023, tỷ lệ nợ xấu toàn hệ thống vượt ngưỡng kiểm soát 3%, trong khi tỷ lệ bao phủ nợ xấu (LLR) tại nhiều ngân hàng sụt giảm xuống dưới 100%. Áp lực gia tăng khi các cơ chế hỗ trợ cơ cấu lại nợ theo quy định của Ngân hàng Nhà nước (NHNN) dần hết hiệu lực.

Vấn đề cốt lõi đặt ra là sự thiếu hụt các mô hình lượng hóa thực nghiệm toàn diện, có khả năng bóc tách đồng thời tác động của các biến số vi mô nội tại ngân hàng và biến số vĩ mô trên chuỗi dữ liệu dài hạn (longitudinal panel data). Dự án khóa luận "Các yếu tố ảnh hưởng đến rủi ro tín dụng của các Ngân hàng Thương mại tại Việt Nam" được thực hiện nhằm giải quyết bài toán này.

Mục tiêu cụ thể của dự án:

  1. Hệ thống hóa cơ sở lý thuyết và khung pháp lý theo Thông tư 11/2021/TT-NHNN về phân loại nợ và đo lường tỷ lệ nợ xấu.
  2. Xây dựng tập dữ liệu bảng (panel data) gồm 220 quan sát từ 20 NHTM cổ phần niêm yết tại Việt Nam trong giai đoạn 11 năm (2013–2023).
  3. Ứng dụng quy trình kinh tế lượng đa bước (Pooled OLS, Fixed Effects Model - FEM, Random Effects Model - REM) kết hợp kiểm định chẩn đoán vi phạm giả định hồi quy.
  4. Triển khai phương pháp Ước lượng Bình phương Tối thiểu Tổng quát Khả thi (Feasible Generalized Least Squares - FGLS) để khắc phục triệt để hiện tượng phương sai sai số thay đổi và tự tương quan.
  5. Đề xuất hệ thống giải pháp định lượng giúp tối ưu hóa công tác quản trị rủi ro tín dụng và hỗ trợ điều hành chính sách tiền tệ.

Phạm vi nghiên cứu tập trung vào 20 NHTM cổ phần niêm yết hoạt động liên tục có báo cáo tài chính kiểm toán minh bạch và số liệu vĩ mô từ Tổng cục Thống kê giai đoạn 2013–2023.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp đánh giá rủi ro tín dụng truyền thống tại các NHTM thường bộc lộ những hạn chế khi áp dụng vào môi trường tài chính biến động phức tạp:

Phương pháp tiếp cận Ưu điểm Nhược điểm Khả năng kiểm soát sai số
Phân tích chỉ số tài chính tĩnh (CAMELS) Dễ tính toán, trực quan theo từng kỳ kế toán Không phản ánh tương quan động và độ trễ chính sách Kém, không lượng hóa được rủi ro ngoại sinh
Hồi quy OLS gộp (Pooled OLS) Đơn giản, xử lý dữ liệu nhanh Bỏ qua đặc trưng riêng lẻ của từng ngân hàng Dễ sai lệch do hiện tượng không đồng nhất
Hệ thống xếp hạng tín dụng nội bộ Phù hợp với từng hồ sơ khách hàng riêng biệt Thiếu cái nhìn tổng thể về danh mục và vĩ mô Phụ thuộc nhiều vào phán đoán chủ quan
Mô hình Dữ liệu bảng FGLS (Đề xuất) Kiểm soát đặc trưng đơn vị, khắc phục phương sai thay đổi & tự tương quan Đòi hỏi dữ liệu chuỗi thời gian sạch và kiểm định phức tạp Rất cao, tham số ước lượng vững và hiệu quả

Yêu cầu phân tích theo chuẩn MoSCoW:

  • Must-have: Lượng hóa 6 biến độc lập (SIZE, ROA, CGR, GDP, INF, UNEM), thực hiện kiểm định F-test, Breusch-Pagan LM test, Hausman test, VIF test.
  • Should-have: Kiểm định và điều chỉnh phương sai sai số thay đổi nhóm (Groupwise Heteroskedasticity) và tự tương quan bậc 1 (AR(1)) bằng mô hình FGLS.
  • Could-have: Phân tích độ nhạy của tỷ lệ NPL trước các cú sốc lạm phát.
  • Won't-have: Xây dựng thuật toán chấm điểm tín dụng vi mô cho từng khách hàng cá nhân.

Thiết kế hệ thống

Kiến trúc luồng xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế thành một pipeline khép kín:

Cấu hình công nghệ thực thi:

  • Phần mềm xử lý thống kê lượng: Stata 17.0 (SE/MP Edition).
  • Hệ thống quản lý dữ liệu: Flat-file Schema / CSV Dataset cấu trúc theo định dạng Panel Data.
  • Công cụ tiền xử lý & kiểm toán dữ liệu: Microsoft Excel 2021 & Python 3.10 (thư viện pandas, statsmodels).
  • Cấu trúc dữ liệu Panel:
Panel Identifier: bank_id (1 to 20, Strongly Balanced)
Time Identifier : year (2013 to 2023, T = 11)
Total Observations (N x T): 220

Methodology

Phương pháp nghiên cứu kết hợp phân tích định tính (nghiên cứu văn bản pháp lý, lược khảo nghiên cứu thực nghiệm trong và ngoài nước) và phương pháp định lượng đa biến trên dữ liệu bảng.

Kế hoạch triển khai dự án qua 5 giai đoạn:

  1. Giai đoạn 1 (Tuần 1–2): Thu thập BCTC kiểm toán của 20 NHTM và chỉ số kinh tế vĩ mô giai đoạn 2013–2023; số hóa dữ liệu.
  2. Giai đoạn 2 (Tuần 3–4): Tiền xử lý, tính toán các chỉ số dẫn xuất (SIZE, ROA, CGR, NPL), xử lý ngoại lai.
  3. Giai đoạn 3 (Tuần 5–6): Thống kê mô tả, kiểm tra ma trận tương quan Pearson, kiểm định hệ số VIF trên Stata 17.0.
  4. Giai đoạn 4 (Tuần 7–8): Chạy hồi quy Pooled OLS, FEM, REM; thực hiện F-test, Breusch-Pagan LM, Hausman test, Wooldridge test và Modified Wald test.
  5. Giai đoạn 5 (Tuần 9–10): Chạy mô hình FGLS điều chỉnh sai số, tổng hợp kết quả và xây dựng hàm ý quản trị.

Implementation và kết quả

Development process & Econometric Modeling

Mô hình hồi quy thực nghiệm tổng quát được thiết lập như sau:

$$NPL_{it} = \beta_0 + \beta_1 UNEM_t + \beta_2 SIZE_{it} + \beta_3 ROA_{it} + \beta_4 CGR_{it} + \beta_5 GDP_t + \beta_6 INF_t + \varepsilon_{it}$$

Trong đó:

  • $NPL_{it}$: Tỷ lệ nợ xấu của ngân hàng $i$ tại năm $t$ ($NPL = \frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ}} \times 100%$).
  • $SIZE_{it}$: Quy mô ngân hàng, đo lường bằng logarit tự nhiên tổng tài sản ($\ln(\text{Total Assets})$).
  • $ROA_{it}$: Tỷ suất sinh lời trên tổng tài sản bình quân ($\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản bình quân}} \times 100%$).
  • $CGR_{it}$: Tốc độ tăng trưởng dư nợ tín dụng ($\frac{\text{Dư nợ}t - \text{Dư nợ}{t-1}}{\text{Dư nợ}_{t-1}} \times 100%$).
  • $GDP_t$: Tốc độ tăng trưởng GDP thực tế hàng năm.
  • $INF_t$: Tỷ lệ lạm phát tính theo chỉ số giá tiêu dùng CPI.
  • $UNEM_t$: Tỷ lệ thất nghiệp toàn quốc.
  • $\varepsilon_{it}$: Sai số ngẫu nhiên gồm sai số đặc trưng đơn vị và sai số phần dư.

Kịch bản thực thi trên Stata 17.0:

* Thiết lập cấu trúc dữ liệu bảng
insheet using "credit_risk_vietnam_2013_2023.csv", clear
xtset bank_id year

* 1. Thống kê mô tả và ma trận tương quan
sum npl size roa cgr gdp inf unem
correlate npl size roa cgr gdp inf unem

* 2. Ước lượng Pooled OLS và kiểm tra đa cộng tuyến
reg npl size roa cgr gdp inf unem
estat vif

* 3. Ước lượng FEM và REM
xtreg npl size roa cgr gdp inf unem, fe
estimates store fixed_model

xtreg npl size roa cgr gdp inf unem, re
estimates store random_model

* 4. Các kiểm định lựa chọn mô hình
* F-test kiểm tra FEM vs Pooled OLS (đã tích hợp trong đầu ra của xtreg, fe)
* Breusch and Pagan Lagrangian Multiplier test (REM vs OLS)
xttest0

* Hausman specification test (FEM vs REM)
hausman fixed_model random_model

* 5. Kiểm tra khuyết tật mô hình (phương sai thay đổi & tự tương quan)
xtserial npl size roa cgr gdp inf unem
xttest3

* 6. Khắc phục khuyết tật bằng FGLS (Cross-sectional Time-series FGLS)
xtgls npl size roa cgr gdp inf unem, panels(hetero) corr(ar1)

Testing và validation

1. Thống kê mô tả các biến nghiên cứu ($N = 220$)

Tên biến Ký hiệu Giá trị trung bình (Mean) Độ lệch chuẩn (Std. Dev.) Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max)
Tỷ lệ nợ xấu NPL 1.96% 2.03% 0.50% (ACB 2019, TCB 2020) 29.80%
Quy mô ngân hàng SIZE 19.160 1.124 16.878 (KLB 2013) 21.557 (BIDV 2023)
Khả năng sinh lời ROA 0.95% 0.68% -0.69% (NCB 2023) 3.23% (TCB 2021)
Tăng trưởng tín dụng CGR 20.10% 14.34% -14.22% (MSB 2014) 108.00% (HDB 2013)
Tăng trưởng GDP GDP 6.00% 1.72% 2.50% (Năm 2021) 8.02% (Năm 2022)
Tỷ lệ lạm phát INF 3.50% 1.45% 0.63% (Năm 2015) 6.69% (Năm 2013)
Tỷ lệ thất nghiệp UNEM 2.31% 0.31% 2.00% (Năm 2018) 3.22% (Năm 2021)

2. Kiểm tra đa cộng tuyến (Variance Inflation Factor - VIF)

Biến số VIF 1/VIF (Tolerance) Trạng thái
UNEM 3.87 0.2584 Chấp nhận (< 5.0)
GDP 2.45 0.4082 Chấp nhận (< 5.0)
INF 1.98 0.5051 Chấp nhận (< 5.0)
SIZE 1.42 0.7042 Chấp nhận (< 5.0)
ROA 1.28 0.7812 Chấp nhận (< 5.0)
CGR 1.15 0.8695 Chấp nhận (< 5.0)
VIF Trung bình 1.87 - Không có đa cộng tuyến

3. Kết quả các kiểm định lựa chọn mô hình

  • F-test (Pooled OLS vs FEM): Thống kê $F = 2.84$, $p$-value = $0.0002 < 0.05 \rightarrow$ Bác bỏ $H_0$, chọn mô hình tác động cố định FEM.
  • Breusch-Pagan LM Test (Pooled OLS vs REM): Thống kê $\bar{\chi}^2 = 12.65$, $p$-value = $0.0002 < 0.05 \rightarrow$ Bác bỏ $H_0$, chọn mô hình tác động ngẫu nhiên REM.
  • Hausman Specification Test (FEM vs REM): Thống kê $\chi^2(6) = 5.81$, $p$-value = $0.4440 > 0.05 \rightarrow$ Chưa đủ cơ sở bác bỏ $H_0$, chọn mô hình REM làm cơ sở.
  • Chẩn đoán khuyết tật mô hình REM: Kiểm định Modified Wald Test phát hiện hiện tượng phương sai sai số thay đổi theo nhóm ($p < 0.001$), kiểm định Wooldridge Test phát hiện tự tương quan bậc 1 ($p = 0.012 < 0.05$). Do đó, phương pháp FGLS được kích hoạt để đưa ra ước lượng không chệch và hiệu quả.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng sau khi xử lý khuyết tật bằng FGLS:

| Biến độc lập | Giả thuyết | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | $z$-statistic | $P > |z|$ | Kết luận thực nghiệm | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | SIZE | H2 (-) | -0.00312 | 0.00115 | -2.71 | 0.007*** | Tác động nghịch chiều có ý nghĩa 1% | | ROA | H3 (-) | -0.74215 | 0.16842 | -4.41 | 0.000*** | Tác động nghịch chiều có ý nghĩa 1% | | CGR | H4 (+) | -0.01845 | 0.00712 | -2.59 | 0.010** | Tác động nghịch chiều có ý nghĩa 5% | | INF | H6 (+) | +0.08942 | 0.03810 | +2.35 | 0.019** | Tác động cùng chiều có ý nghĩa 5% | | GDP | H5 (-) | -0.02104 | 0.03215 | -0.65 | 0.513 | Không có ý nghĩa thống kê | | UNEM | H1 (+) | +0.09841 | 0.18452 | +0.53 | 0.594 | Không có ý nghĩa thống kê | | _cons | - | +0.07124 | 0.02451 | +2.91 | 0.004*** | Hệ số chặn có ý nghĩa thống kê |

Ghi chú: *** có ý nghĩa ở mức 1%, ** có ý nghĩa ở mức 5%.


Đổi mới và đóng góp

  1. Ứng dụng phương pháp ước lượng FGLS giải quyết khuyết tật kép: Khác với các nghiên cứu chỉ dừng lại ở Pooled OLS hoặc REM truyền thống (vốn bị chệch sai số chuẩn khi gặp phương sai thay đổi và tự tương quan), nghiên cứu này thiết lập chu trình FGLS (Cross-sectional Time-series FGLS), đảm bảo tính vững (robustness) của các ước lượng.
  2. Cập nhật chuỗi dữ liệu bao trùm chu kỳ biến động lớn (2013–2023): Dữ liệu bao trùm toàn bộ chu kỳ 11 năm, phản ánh đầy đủ các giai đoạn tái cơ cấu nợ, tác động của Covid-19 và giai đoạn lạm phát - thắt chặt tín dụng năm 2022–2023.
  3. So sánh tương quan với các công trình nghiên cứu tiền nhiệm:
Công trình Mẫu & Giai đoạn Phương pháp Kết quả chính Khác biệt với nghiên cứu này
Hoàng Thị Thanh Hằng (2018) 20 NHTM (2006–2017) FEM / REM UNEM (+), Lãi suất (+) Nghiên cứu này bổ sung chuỗi thời gian đến 2023 và dùng FGLS
Đoàn Thị Trúc Linh (2022) 27 NHTM (2012–2021) OLS, FEM, GMM ROA (-), SIZE (+), INF (+) Nghiên cứu này chỉ ra SIZE tác động nghịch chiều khi kiểm soát hiệu quả tài sản
Ahmed et al. (2021) 20 NHTM Pakistan (2008–2018) GMM CGR (+), SIZE (-), ROA (-) Nghiên cứu này kiểm chứng trong bối cảnh đặc thù ngành ngân hàng Việt Nam

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong thực tế ngân hàng (Use Cases)

  1. Hệ thống Cảnh báo Sớm (Early Warning System - EWS): Tích hợp phương trình FGLS vào Data Warehouse của ngân hàng để dự báo tỷ lệ NPL theo quý dựa trên biến động của CPI/Lạm phát và chỉ số hiệu quả ROA nội bộ.
  2. Stress-Testing định kỳ theo yêu cầu Basel II/III: Sử dụng hệ số co giãn $\beta_{\text{INF}} = +0.08942$ để mô phỏng mức độ suy giảm chất lượng danh mục khi lạm phát vượt mục tiêu kiểm soát 4.5%.
  3. Chiến lược phân bổ vốn và tối ưu trích lập dự phòng: Nâng cao năng lực sinh lời ROA giúp ngân hàng tạo bộ đệm lợi nhuận dày, trực tiếp kéo giảm áp lực nợ xấu ($\beta_{\text{ROA}} = -0.74215$).

Yêu cầu triển khai kỹ thuật

  • Môi trường vận hành: Máy chủ Linux/Windows Server, Stata 17.0 Engine hoặc Runtime Python 3.10+ (statsmodels, scipy, sklearn).
  • Nguồn cấp dữ liệu: Tích hợp trực tiếp từ hệ thống Core Banking (T24, Flexcube) và API Tổng cục Thống kê / NHNN.
  • Quy trình bảo trì: Tái ước lượng mô hình (re-calibration) định kỳ 6 tháng một lần khi có báo cáo tài chính soát xét bán niên và kiểm toán năm.

Hạn chế và hướng phát triển

  • Hạn chế về quy mô mẫu: Nghiên cứu giới hạn ở 20 NHTM cổ phần niêm yết do yêu cầu về tính liên tục và minh bạch của dữ liệu kiểm toán; chưa bao quát các NHTM TNHH MTV 100% vốn Nhà nước hoặc ngân hàng nước ngoài.
  • Tần suất dữ liệu: Sử dụng dữ liệu năm ($T=11$) do các chỉ tiêu kiểm toán vĩ mô và vi mô có tính đồng nhất cao nhất theo năm; chưa bóc tách biến động theo quý/tháng.
  • Hướng nghiên cứu tiếp theo:
    1. Triển khai mô hình động dữ liệu bảng (Dynamic Panel System GMM) nhằm kiểm soát tính nội sinh tiềm ẩn giữa quy mô tín dụng và nợ xấu trễ ($NPL_{t-1}$).
    2. Mở rộng tích hợp các thuật toán học máy (Machine Learning) như XGBoost, LightGBM và CatBoost để xây dựng mô hình dự báo xác suất vỡ nợ (Probability of Default - PD) phi tuyến tính.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận quy trình nghiên cứu thực nghiệm chuẩn mực, mã lệnh Stata 17 chi tiết và phương pháp luận xử lý dữ liệu bảng toàn diện.
  • Chuyên viên Phân tích Dữ liệu & Quản trị Rủi ro (Risk Analysts): Nhận được bộ tham số định lượng đã được hiệu chỉnh khuyết tật để ứng dụng vào mô hình định giá rủi ro và stress-test.
  • Ban Điều hành NHTM: Có căn cứ khoa học để hoạch định chiến lược tăng trưởng quy mô gắn liền với nâng cao tỷ suất sinh lời thực chất thay vì nới lỏng tiêu chuẩn tín dụng.
  • Cơ quan Quản lý (NHNN): Tham chiếu cơ sở định lượng để điều hành hạn mức tăng trưởng tín dụng (room tín dụng) và phối hợp chính sách tiền tệ kiểm soát lạm phát.

Câu hỏi thường gặp

1. Cần chuẩn bị cấu hình phần cứng và phần mềm như thế nào để tái lập mô hình này?

Hệ thống yêu cầu tối thiểu vi xử lý 4-core, 8GB RAM, cài đặt Stata 17.0 (hoặc Python 3.10 với thư viện statsmodels 0.14+). File dữ liệu cần được chuẩn hóa ở dạng Panel (bank_id, year).

2. Tại sao mô hình FGLS lại vượt trội hơn mô hình FEM và REM trong bài toán này?

Khi dữ liệu bảng tồn tại đồng thời hiện tượng phương sai sai số thay đổi giữa các ngân hàng (do chênh lệch quy mô giữa các ngân hàng lớn như BIDV, VCB và ngân hàng nhỏ như KLB, PGB) và tự tương quan chuỗi thời gian, các ước lượng OLS/FEM/REM sẽ cho sai số chuẩn bị chệch. FGLS ước lượng ma trận hiệp phương sai sai số tổng quát, giúp khôi phục tính hiệu quả và độ tin cậy của các giá trị $p$-value.

3. Làm thế nào để tích hợp mô hình này vào hệ thống Core Banking hiện có?

Có thể đóng gói phương trình hồi quy FGLS thành một Microservice bằng Python/Flask hoặc FastAPI. Microservice này định kỳ trích xuất dữ liệu tài chính từ Data Warehouse qua SQL, tính toán chỉ số NPL kỳ vọng và đẩy tín hiệu cảnh báo về giao diện quản trị rủi ro.

4. Chi phí triển khai và thời gian hoàn vốn (ROI) ước tính ra sao?

Chi phí triển khai chủ yếu là chi phí chuẩn hóa dữ liệu và bản quyền phần mềm. Lợi ích định lượng đạt được thông qua việc giảm tỷ lệ trích lập dự phòng rủi ro nợ xấu từ 0.1% đến 0.3% trên tổng dư nợ, mang lại giá trị tiết kiệm hàng chục tỷ đồng mỗi năm cho ngân hàng thương mại quy mô vừa.

5. Tại sao biến GDP và Tỷ lệ thất nghiệp (UNEM) không có ý nghĩa thống kê trong kết quả hồi quy cuối cùng?

Trong giai đoạn 2013–2023, tỷ lệ thất nghiệp tại Việt Nam duy trì ở mức tương đối ổn định (biến thiên hẹp quanh mức 2.0% - 3.2%). Đồng thời, tác động của tăng trưởng GDP đã được hấp thụ phần lớn qua tốc độ tăng trưởng tín dụng (CGR) và hiệu quả hoạt động (ROA) của các ngân hàng.


Kết luận

Đồ án khóa luận đã giải quyết trọn vẹn bài toán xác định và đo lường các yếu tố ảnh hưởng đến rủi ro tín dụng tại 20 NHTM Việt Nam trong giai đoạn 11 năm (2013–2023). Bằng việc áp dụng quy trình kiểm định kinh tế lượng nghiêm ngặt và mô hình FGLS, nghiên cứu chứng minh rằng Khả năng sinh lời (ROA), Quy mô ngân hàng (SIZE)Tốc độ tăng trưởng tín dụng (CGR) có tác động kéo giảm rủi ro nợ xấu, trong khi Lạm phát (INF) là nhân tố vĩ mô làm gia tăng áp lực nợ xấu. Kết quả này cung cấp luận cứ khoa học thực tiễn vững chắc, đóng góp trực tiếp vào công tác quản trị rủi ro ngân hàng và ổn định kinh tế vĩ mô trong kỷ nguyên số.