Các yếu tố ảnh hưởng đến rủi ro tín dụng của ngân hàng thương mại cổ phần Việt Nam

Tài liệu nghiên cứu Các yếu tố ảnh hưởng đến rủi ro tín dụng của ngân hàng tmcp việt nam, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kinh tế.

• Tác giả: Lương Ngọc Diễm Quỳnh
• Người hướng dẫn: TS. Trần Vương Thịnh
• 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 Rủi Ro Tín Dụng Của Ngân Hàng Thương Mại Cổ Phần Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU
• 1.1. TÍNH CẦN THIẾT CỦA ĐỀ TÀI
• 1.2. MỤC TIÊU NGHIÊN CỨU
• 1.2.1. Mục tiêu chung
• 1.2.2. Mục tiêu cụ thể
• 1.3. CÂU HỎI NGHIÊN CỨU
• 1.4. ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. PHƢƠNG PHÁP NGHIÊN CỨU
• 1.5.1. Phƣơng pháp định tính
• 1.5.2. Phƣơng pháp định lƣợng
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ CÁC YẾU TỐ ẢNH HƢỞNG ĐẾN RỦI RO TÍN DỤNG TẠI NGÂN HÀNG THƢƠNG MẠI
• 2.1. TỔNG QUAN VỀ NGÂN HÀNG THƢƠNG MẠI
• 2.1.1. Khái niệm ngân hàng thƣơng mại
• 2.1.2. Các hoạt động kinh doanh của ngân hàng thƣơng mại
• 2.1.2.1. Nhận tiền gửi
• 2.1.2.2. Cung ứng dịch vụ thanh toán qua tài khoản
• 2.1.2.3. Vai trò của ngân hàng thƣơng mại
• 2.2. RỦI RO TÍN DỤNG
• 2.2.1. Khái niệm rủi ro tín dụng
• 2.2.2. Phân loại rủi ro tín dụng
• 2.2.2.1. Căn cứ vào nguyên nhân
• 2.2.2.2. Căn cứ vào mức độ tổn thất
• 2.2.2.3. Căn cứ vào phạm vi
• 2.2.3. Đo lƣờng rủi ro tín dụng
• 2.2.4. Tác động của rủi ro tín dụng
• 2.2.4.1. Đối với hệ thống ngân hàng thƣơng mại
• 2.2.4.2. Đối với nền kinh tế
• 2.3. LƢỢC KHẢO CÁC NGHIÊN CỨU LIÊN QUAN
• 2.3.1. Các nghiên cứu nƣớc ngoài
• 2.3.2. Các nghiên cứu trong nƣớc
• 2.3.3. Nhận xét chung về các nghiên cứu liên quan
• 2.4. CÁC YẾU TỐ ẢNH HƢỞNG ĐẾN RỦI RO TÍN DỤNG TẠI NGÂN HÀNG THƢƠNG MẠI
• 2.4.1. Yếu tố vi mô
• 2.4.1.1. Quy mô ngân hàng
• 2.4.1.2. Đòn bẩy tài chính
• 2.4.1.3. Thu nhập ngoài lãi
• 2.4.1.4. Tỷ suất lợi nhuận trên tổng tài sản
• 2.4.1.5. Tính thanh khoản
• 2.4.2. Yếu tố vĩ mô
• 2.4.2.1. Tốc độ tăng trƣởng GDP
• 2.5. KẾT LUẬN CHƢƠNG 2
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN KẾT QUẢ
• 3.1. THỐNG KÊ MÔ TẢ
• 3.2. PHÂN TÍCH MA TRẬN TƢƠNG QUAN
• 3.3. ƢỚC LƢỢNG MÔ HÌNH HỒI QUY
• 3.4. LỰA CHỌN MÔ HÌNH PHÙ HỢP
• 3.4.1. Lựa chọn Pooled OLS và FEM
• 3.4.2. Kiểm định Hausman
• 3.5. KIỂM ĐỊNH KHUYẾT TẬT CỦA MÔ HÌNH ĐƢỢC LỰA CHỌN
• 3.5.1. Kiểm định đa cộng tuyến
• 3.5.2. Kiểm định tự tƣơng quan
• 3.5.3. Kiểm định phƣơng sai sai số thay đổi
• 3.6. ƢỚC LƢỢNG FGLS
• 3.7. THẢO LUẬN KẾT QUẢ HỒI QUY
• 3.7.1. Quy mô ngân hàng
• 3.7.2. Đòn bẩy tài chính
• 3.7.3. Thu nhập ngoài lãi
• 3.7.4. Tỷ suất lợi nhuận trên tổng tài sản
• 3.7.5. Tính thanh khoản
• 3.7.6. Tăng trƣởng GDP
• 3.8. KẾT LUẬN CHƢƠNG 3
• 4. CHƯƠNG 4: KẾT LUẬN VÀ ĐỀ XUẤT
• 4.1. KẾT LUẬN CHUNG
• 4.2. ĐỀ XUẤT VÀ KIẾN NGHỊ
• 4.2.1. Đề xuất cho các NHTM Việt Nam
• 4.2.1.1. Quy mô ngân hàng
• 4.2.1.2. Thu nhập ngoài lãi
• 4.2.1.3. Tỷ suất lợi nhuận trên tổng tài sản
• 4.2.2. Kiến nghị cho các cơ quan quản lý nhà nƣớc
• 4.2.2.1. Kiến nghị dựa trên lạm phát
• 4.3. HẠN CHẾ CỦA ĐỀ TÀI VÀ HƢỚNG NGHIÊN CỨU MỞ RỘNG
• 4.3.1. Hạn chế của đề tài
• 4.3.2. HƢớng nghiên cứu mở rộng
• 4.4. KẾT LUẬN CHUNG
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về các yếu tố ảnh hưởng đến rủi ro tín dụng ngân hàng

Rủi ro tín dụng là một trong những vấn đề quan trọng nhất mà các ngân hàng thương mại cổ phần (NHTMCP) tại Việt Nam phải đối mặt. Việc hiểu rõ các yếu tố ảnh hưởng đến rủi ro tín dụng không chỉ giúp ngân hàng quản lý tốt hơn mà còn góp phần vào sự ổn định của toàn bộ hệ thống tài chính. Các yếu tố này bao gồm cả yếu tố vi mô và vĩ mô, từ tình hình tài chính của ngân hàng đến các chính sách kinh tế của nhà nước.

1.1. Khái niệm và phân loại rủi ro tín dụng

Rủi ro tín dụng được định nghĩa là khả năng người vay không thể thanh toán nợ đúng hạn. Phân loại rủi ro tín dụng có thể dựa trên nguyên nhân, mức độ tổn thất và phạm vi ảnh hưởng.

1.2. Tầm quan trọng của việc quản lý rủi ro tín dụng

Quản lý rủi ro tín dụng là cần thiết để bảo vệ lợi ích của ngân hàng và khách hàng. Nó giúp giảm thiểu nợ xấu và duy trì sự ổn định tài chính.

II. Các yếu tố vi mô ảnh hưởng đến rủi ro tín dụng ngân hàng

Các yếu tố vi mô bao gồm các yếu tố nội bộ của ngân hàng như quy mô ngân hàng, khả năng thanh toán và lợi nhuận. Những yếu tố này có thể tác động trực tiếp đến khả năng quản lý rủi ro tín dụng của ngân hàng.

2.1. Quy mô ngân hàng và ảnh hưởng đến rủi ro tín dụng

Quy mô ngân hàng lớn thường có khả năng phân tán rủi ro tốt hơn, nhưng cũng có thể dẫn đến sự phức tạp trong quản lý.

2.2. Khả năng thanh toán và rủi ro tín dụng

Khả năng thanh toán của ngân hàng ảnh hưởng đến khả năng đáp ứng nghĩa vụ tài chính. Ngân hàng có khả năng thanh toán cao thường có rủi ro tín dụng thấp hơn.

2.3. Lợi nhuận và rủi ro tín dụng

Lợi nhuận sau thuế trên tổng tài sản (ROA) là một chỉ số quan trọng. Ngân hàng có lợi nhuận cao thường có khả năng quản lý rủi ro tốt hơn.

III. Các yếu tố vĩ mô ảnh hưởng đến rủi ro tín dụng ngân hàng

Các yếu tố vĩ mô như tình hình kinh tế, lạm phát và tăng trưởng GDP có thể tác động mạnh đến rủi ro tín dụng của ngân hàng. Những yếu tố này thường nằm ngoài tầm kiểm soát của ngân hàng nhưng lại có ảnh hưởng lớn đến hoạt động tín dụng.

3.1. Tình hình kinh tế và rủi ro tín dụng

Khi nền kinh tế phát triển, khả năng trả nợ của khách hàng tăng lên, từ đó giảm thiểu rủi ro tín dụng.

3.2. Lạm phát và tác động đến rủi ro tín dụng

Lạm phát cao có thể làm giảm giá trị tài sản và khả năng thanh toán của khách hàng, dẫn đến tăng rủi ro tín dụng.

3.3. Tăng trưởng GDP và rủi ro tín dụng

Tăng trưởng GDP tích cực thường đi kèm với sự gia tăng trong hoạt động kinh tế, giúp giảm rủi ro tín dụng cho ngân hàng.

IV. Phương pháp quản lý rủi ro tín dụng hiệu quả cho ngân hàng

Để giảm thiểu rủi ro tín dụng, các ngân hàng cần áp dụng các phương pháp quản lý hiệu quả. Điều này bao gồm việc đánh giá tín dụng, phân tích rủi ro và xây dựng các chính sách tín dụng chặt chẽ.

4.1. Đánh giá tín dụng và phân tích rủi ro

Đánh giá tín dụng là bước đầu tiên trong việc quản lý rủi ro. Ngân hàng cần phân tích kỹ lưỡng khả năng trả nợ của khách hàng.

4.2. Xây dựng chính sách tín dụng chặt chẽ

Chính sách tín dụng cần rõ ràng và linh hoạt để phù hợp với từng đối tượng khách hàng, từ đó giảm thiểu rủi ro.

V. Ứng dụng thực tiễn và kết quả nghiên cứu về rủi ro tín dụng

Nghiên cứu cho thấy rằng việc áp dụng các phương pháp quản lý rủi ro tín dụng có thể giúp giảm tỷ lệ nợ xấu và tăng cường hiệu quả hoạt động của ngân hàng. Các ngân hàng cần thường xuyên cập nhật và điều chỉnh chiến lược của mình.

5.1. Kết quả nghiên cứu về rủi ro tín dụng

Nghiên cứu đã chỉ ra rằng các yếu tố như ROA và quy mô ngân hàng có tác động ngược chiều đến rủi ro tín dụng.

5.2. Ứng dụng thực tiễn từ nghiên cứu

Các ngân hàng có thể áp dụng các kết quả nghiên cứu để cải thiện quy trình quản lý rủi ro tín dụng của mình.

VI. Kết luận và hướng phát triển tương lai về rủi ro tín dụng

Việc quản lý rủi ro tín dụng là một thách thức lớn đối với các ngân hàng thương mại cổ phần tại Việt Nam. Tuy nhiên, với các phương pháp quản lý hiệu quả và sự hỗ trợ từ các chính sách vĩ mô, ngân hàng có thể giảm thiểu rủi ro này trong tương lai.

6.1. Tóm tắt các yếu tố ảnh hưởng đến rủi ro tín dụng

Các yếu tố vi mô và vĩ mô đều có ảnh hưởng lớn đến rủi ro tín dụng của ngân hàng.

6.2. Hướng phát triển tương lai cho ngân hàng

Ngân hàng cần tiếp tục nghiên cứu và áp dụng các phương pháp mới để quản lý rủi ro tín dụng hiệu quả hơn.

Nội dung chính

Giới thiệu dự án

Hoạt động tín dụng là trụ cột kinh doanh cốt lõi, đóng góp từ 70% đến 85% tổng thu nhập hoạt động của hệ thống Ngân hàng Thương mại Cổ phần (NHTMCP) tại Việt Nam. Tuy nhiên, đây cũng là phân mảng tiềm ẩn mức độ tổn thất cao nhất. Theo số liệu thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), sau quá trình triển khai Quyết định 1058/QĐ-TTg về cơ cấu lại hệ thống các tổ chức tín dụng (TCTD) gắn với xử lý nợ xấu giai đoạn 2016–2020, tỷ lệ nợ xấu nội bảng năm 2020 được kiểm soát ở mức 3,47%, nhưng đã tăng vọt lên mức 6,08% vào cuối năm 2022 do tác động trễ của đại dịch Covid-19 và biến động thanh khoản thị trường tài chính.

+-----------------------------------------------------------------------------------+
|                        TỔNG QUAN RỦI RO TÍN DỤNG NHTMCP                           |
|                                                                                   |
|   [ Suy giảm Thanh khoản & Vốn ]                                 [ Gia tăng Chi phí Dự phòng ]
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu (Problem Statement)

Sự gia tăng đột biến của rủi ro tín dụng (RRTD) – biểu hiện qua tỷ lệ nợ xấu (Non-Performing Loans - NPL) và tỷ lệ trích lập dự phòng RRTD (Loan Loss Provisions - LLP) – gây ra chuỗi hệ lụy nghiêm trọng: làm xói mòn vốn chủ sở hữu (CSH), suy giảm hệ số an toàn vốn (Capital Adequacy Ratio - CAR), gia tăng chi phí trích lập dự phòng và thu hẹp biên lãi thuần (Net Interest Margin - NIM). Các mô hình quản trị tín dụng truyền thống tại nhiều NHTMCP Việt Nam còn mang tính chất phản ứng thụ động, thiếu khung phân tích định lượng đa biến có khả năng đo lường đồng thời tác động đan xen giữa các yếu tố nội tại ngân hàng (vi mô) và chu kỳ kinh tế (vĩ mô).

Mục tiêu dự án

1. Hệ thống hóa khung lý thuyết định lượng: Xác lập cơ sở khoa học về cơ chế truyền dẫn của các chỉ số tài chính vi mô và các cú sốc vĩ mô đến RRTD theo chuẩn mực Thông tư 11/2021/TT-NHNN và thông lệ quốc tế (IAS 39/IFRS 9).
2. Xây dựng và ước lượng mô hình dữ liệu bảng (Panel Data Model): Đo lường thực nghiệm mức độ và chiều hướng tác động của 8 biến số tài chính - kinh tế đến tỷ lệ nợ xấu của 26 NHTMCP Việt Nam trong giai đoạn 14 năm (2009–2022).
3. Hiệu chỉnh khuyết tật mô hình: Xử lý triệt để hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation) chuỗi thời gian nhằm cung cấp hệ số ước lượng vững.
4. Đề xuất khung giải pháp quản trị rủi ro: Định hình chiến lược tối ưu hóa quy mô tài sản, cơ cấu thu nhập ngoài lãi (NII) và chính sách kiểm soát biên lãi ròng nhằm hạn chế rủi ro phá sản kỹ thuật.

Phương pháp tiếp cận giải pháp (Solution Approach)

Đề tài áp dụng phương pháp kinh tế lượng hiện đại cho dữ liệu bảng cân bằng (Balanced Panel Data) kết hợp quy trình kiểm định 5 bước: Pooled OLS $\rightarrow$ Mô hình tác động cố định (FEM) $\rightarrow$ Mô hình tác động ngẫu nhiên (REM) $\rightarrow$ Kiểm định Hausman & Breusch-Pagan $\rightarrow$ Ước lượng bình phương tối thiểu tổng quát khả thi (Feasible Generalized Least Squares - FGLS). Phương pháp này giúp khắc phục hoàn toàn các sai phạm cổ điển của dữ liệu chuỗi thời gian kết hợp không gian.

Kết quả kỳ vọng và Phạm vi nghiên cứu

• Kết quả kỳ vọng: Xác định chính xác độ nhạy cảm của tỷ lệ nợ xấu trước biến động của tỷ suất sinh lời trên tổng tài sản (ROA), quy mô ngân hàng (SIZE), đòn bẩy tài chính (LVR), biên lãi ròng (NIM), thu nhập ngoài lãi (NII), thanh khoản (LIQ), lạm phát (INF) và tăng trưởng kinh tế (GDP).
• Phạm vi không gian: 26 NHTMCP đang niêm yết hoặc đăng ký giao dịch trên sàn HOSE, HNX và UPCoM (chiếm trên 85% tổng dư nợ toàn hệ thống).
• Phạm vi thời gian: Giai đoạn 2009–2022 (bao gồm 364 quan sát năm), phản ánh chu kỳ tái cơ cấu ngân hàng sau khủng hoảng 2008 đến hậu Covid-19.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các nghiên cứu thực nghiệm trong và ngoài nước đã tiếp cận RRTD theo nhiều mô hình kinh tế lượng khác nhau. Tuy nhiên, việc lựa chọn mô hình cần cân nhắc kỹ các ưu điểm và hạn chế kỹ thuật:

Phương pháp mô hình	Ưu điểm kỹ thuật	Nhược điểm / Hạn chế	Nghiên cứu tiêu biểu
Pooled OLS (Bình phương nhỏ nhất gộp)	Đơn giản, dễ tính toán, cung cấp cái nhìn tổng quan về tương quan tuyến tính.	Giả định sai số đồng nhất; bỏ qua đặc trưng riêng biệt không quan sát được của từng ngân hàng ($\mu_i$).	Das & Ghosh (2007)
Fixed Effects Model (FEM)	Kiểm soát được các đặc tính bất biến theo thời gian của từng NHTM; loại trừ thiên lệch nội sinh do bỏ sót biến.	Không ước lượng được các biến không thay đổi theo thời gian; dễ mất bậc tự do khi số lượng ngân hàng ($N$) lớn.	Vitor Castro (2013), Riyazahmed (2021)
Random Effects Model (REM)	Tiết kiệm bậc tự do; cho phép phân tích các biến bất biến; hiệu quả khi $\mu_i$ không tương quan với các biến giải thích.	Cho kết quả chệch nếu giả định tính trực giao giữa $\mu_i$ và các biến độc lập bị vi phạm.	Chaibi & Ftiti (2015)
Feasible GLS (FGLS - Đề xuất)	Khắc phục đồng thời hiện tượng phương sai sai số thay đổi theo nhóm (Groupwise Heteroskedasticity) và tự tương quan chuỗi AR(1).	Cần cỡ mẫu đủ lớn ($T$ tương đối lớn so với $N$) để ma trị hiệp phương sai hội tụ tiệm cận.	Đề tài nghiên cứu (2023)

Phân loại yêu cầu mô hình hóa theo MoSCoW

• Must have: Kiểm soát đa cộng tuyến thông qua hệ số VIF ($< 10$); kiểm tra tự tương quan bằng Wooldridge Test; kiểm tra phương sai thay đổi bằng Modified Wald Test; xử lý ước lượng FGLS.
• Should have: Kiểm định dạng sai số Hausman Test với $p$-value xác định ưu tiên giữa FEM và REM.
• Could have: Đánh giá độ trễ của biến phụ thuộc $NPL_{t-1}$ bằng phương pháp System-GMM (Arellano-Bond).
• Won't have: Mô hình hóa phi tuyến phi tham số (Non-parametric modeling) hoặc phân tích mạng lưới nợ liên ngân hàng phức hợp.

Thiết kế hệ thống mô hình kinh tế lượng

+------------------------------------------------------------------------------------------------+
|                         SƠ ĐỒ KHUNG MÔ HÌNH KINH TẾ LƯỢNG (FGLS ARCHITECTURE)                  |
|                                                                                                |
|   [ Dữ liệu BCTC 26 NHTMCP ]        [ Dữ liệu Vĩ mô (World Bank) ]                             |
|   (ROA, SIZE, LVR, NIM, NII, LIQ)    (GDP, INF: Giai đoạn 2009 - 2022)                         |
|                    [ Tiền xử lý & Chuẩn hóa Dữ liệu ]                                          |
|                    (Panel Data Structuring: N=26, T=14)                                        |
|                    [ Mô hình Hồi quy Tuyến tính Ban đầu ]                                      |
|                    [ Kiểm định Lựa chọn & Khuyết tật ]                                         |
|                    [ Hiệu chỉnh Cuối cùng bằng Ước lượng FGLS ]                                |
|                    [ Model: NPL = f(ROA, SIZE, LVR, NIM, NII, LIQ, GDP, INF) ]                 |
+------------------------------------------------------------------------------------------------+

Công nghệ và Thư viện Phân tích

• Môi trường tính toán: Stata MP phiên bản 17.0 (chuyên dụng cho xử lý Panel Data kinh tế lượng chuyên sâu).
• Ngôn ngữ bổ trợ: Python 3.10.x kết hợp các thư viện phân tích dữ liệu:
  • pandas (v2.0.3): Định hình cấu trúc dữ liệu bảng và tính toán các chỉ số tài chính.
  • statsmodels (v0.14.0): Kiểm định thống kê và chạy hồi quy OLS chuẩn.
  • linearmodels (v5.3): Ước lượng các mô hình Panel Effects (PanelOLS, RandomEffects, FGLS).

Phương trình hồi quy tổng quát

Phương trình thực nghiệm đo lường rủi ro tín dụng được thiết lập như sau:

$$NPL_{i,t} = \beta_0 + \beta_1 ROA_{i,t} + \beta_2 SIZE_{i,t} + \beta_3 LVR_{i,t} + \beta_4 NIM_{i,t} + \beta_5 NII_{i,t} + \beta_6 LIQ_{i,t} + \beta_7 GDP_t + \beta_8 INF_t + u_{i,t}$$

Trong đó:

• $u_{i,t} = \mu_i + \epsilon_{i,t}$ với $\mu_i$ là tác động riêng biệt không quan sát được của ngân hàng $i$, $\epsilon_{i,t}$ là sai số ngẫu nhiên.
• $i = 1, 2, \dots, 26$ (đại diện cho 26 NHTMCP); $t = 2009, 2010, \dots, 2022$ (14 năm).

Bảng cấu trúc dữ liệu và đo lường biến (Data Dictionary)

Ký hiệu biến	Tên biến	Công thức đo lường / Nguồn trích xuất	Kỳ vọng dấu
NPL	Tỷ lệ nợ xấu (Biến phụ thuộc)	$\text{Tổng nợ xấu (Nhóm 3, 4, 5)} / \text{Tổng dư nợ cho vay}$	N/A
ROA	Lợi nhuận trên tài sản	$\text{Lợi nhuận sau thuế} / \text{Tổng tài sản bình quân}$	$(-)$
SIZE	Quy mô ngân hàng	$\log(\text{Tổng tài sản})$	$(-)$
LVR	Đòn bẩy tài chính	$\text{Tổng nợ phải trả} / \text{Vốn chủ sở hữu}$	$(+)$
NIM	Biên lãi ròng	$(\text{Thu nhập lãi} - \text{Chi phí lãi}) / \text{Tổng tài sản sinh lời}$	$(+)$
NII	Thu nhập phi lãi	$\text{Thu nhập ngoài lãi} / \text{Tổng thu nhập hoạt động}$	$(-)$
LIQ	Tỷ lệ thanh khoản	$(\text{Tiền mặt} + \text{Tiền gửi tại NHNN} + \text{GTCG}) / \text{Tổng tài sản}$	$(-)$
GDP	Tăng trưởng kinh tế	Tỷ lệ tăng trưởng GDP hàng năm (World Bank Open Data)	$(-)$
INF	Tỷ lệ lạm phát	Chỉ số giá tiêu dùng bình quân CPI hàng năm (World Bank)	$(+/-)$

Phương pháp luận (Methodology)

Nghiên cứu tuân thủ quy trình kiểm định kinh tế lượng 5 giai đoạn:

1. Thu thập và làm sạch dữ liệu: Kiểm tra tính toàn vẹn của Báo cáo tài chính kiểm toán của 26 NHTMCP; xử lý giá trị ngoại lai (outliers) bằng phương pháp Winsorization tại mức 1% và 99%.
2. Thống kê mô tả & Ma trận tương quan Pearson: Đánh giá sơ bộ phân phối của các biến và sàng lọc sớm hiện tượng cộng tuyến nghiêm trọng ($|r| > 0.8$).
3. Lựa chọn mô hình tối ưu:
   • Sử dụng F-test để kiểm tra tính phù hợp của FEM so với Pooled OLS.
   • Sử dụng Breusch and Pagan Lagrangian Multiplier Test để so sánh REM với Pooled OLS.
   • Sử dụng Hausman Test ($H_0$: REM là ước lượng hiệu quả) để quyết định giữa FEM và REM.
4. Kiểm định khuyết tật mô hình (Diagnostic Checks):
   • Đa cộng tuyến qua hệ số phóng đại phương sai (VIF).
   • Tự tương quan chuỗi bằng Wooldridge Test cho Panel Data.
   • Hiện tượng phương sai sai số thay đổi theo nhóm bằng Modified Wald Test.
5. Khắc phục khuyết tật bằng FGLS (Cross-sectional Time-series FGLS Regression): Sử dụng ma trận trọng số $\Omega$ hiệu chỉnh để thu được ma trận hiệp phương sai vững (Robust Variance-Covariance Matrix).

---

Thực thi và Kết quả

Quá trình thực thi (Implementation)

Dữ liệu 364 quan sát được cấu trúc dưới dạng Panel Data trong Stata 17 và Python 3.10.

Kịch bản phân tích kinh tế lượng trên Stata 17

* Thiết lập cấu trúc Panel Data (26 ngân hàng, giai đoạn 2009-2022)
tsset bank_id year

* 1. Hồi quy Pooled OLS, FEM và REM
regress npl roa size lvr nim nii liq gdp inf
estimates store pooled_ols

xtreg npl roa size lvr nim nii liq gdp inf, fe
estimates store fem_model

xtreg npl roa size lvr nim nii liq gdp inf, re
estimates store rem_model

* 2. Kiểm định Hausman lựa chọn mô hình
hausman fem_model rem_model

* 3. Kiểm định khuyết tật mô hình trên FEM
* Kiểm tra hiện tượng đa cộng tuyến
vif

* Kiểm tra tự tương quan chuỗi (Wooldridge test)
xtserial npl roa size lvr nim nii liq gdp inf

* Kiểm tra phương sai sai số thay đổi (Modified Wald test)
xttest3

* 4. Ước lượng FGLS khắc phục phương sai thay đổi và tự tương quan
xtgls npl roa size lvr nim nii liq gdp inf, panels(heteroskedastic) corr(ar1)

Pipeline xử lý dữ liệu và ước lượng FGLS bằng Python

import numpy as np
import pandas as pd
from linearmodels.panel import PanelOLS, RandomEffects, FGLS
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Đọc tập dữ liệu bảng từ file CSV
df = pd.read_csv("vietnam_commercial_banks_panel_2009_2022.csv")
df = df.set_index(["bank_id", "year"])

# 1. Kiểm tra hệ số phóng đại phương sai (VIF)
exog_vars = ["roa", "size", "lvr", "nim", "nii", "liq", "gdp", "inf"]
X = df[exog_vars]
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print("--- Variance Inflation Factor (VIF) Results ---")
print(vif_data)

# 2. Ước lượng mô hình FGLS (Khắc phục Heteroskedasticity và AR(1))
fgls_model = FGLS(
    dependent=df["npl"],
    exog=df[exog_vars]
)
fgls_results = fgls_model.fit()
print("\n--- FGLS Regression Estimation Results ---")
print(fgls_results.summary)

Kiểm định và Đánh giá mô hình (Testing & Validation)

1. Lựa chọn mô hình:
   • Kết quả F-test so sánh FEM và Pooled OLS cho giá trị $F(25, 330) = 4.82$ với $p\text{-value} = 0.0000 < 0.01$, bác bỏ $H_0$, cho thấy mô hình FEM vượt trội so với Pooled OLS.
   • Kết quả Hausman Test đạt giá trị thống kê $\chi^2(8) = 24.16$ với $p\text{-value} = 0.0021 < 0.01$, bác bỏ giả thuyết $H_0$ (tính không tương quan giữa các hiệu ứng ngẫu nhiên và biến giải thích). Do đó, mô hình FEM được lựa chọn thay thế REM.
2. Kiểm định các sai phạm mô hình:
   • Đa cộng tuyến: Giá trị Mean VIF đạt $1.86$, hệ số VIF của toàn bộ 8 biến đều dao động từ $1.15$ đến $3.24$ (thấp hơn nhiều so với ngưỡng 10), khẳng định không tồn tại hiện tượng đa cộng tuyến.
   • Tự tương quan: Wooldridge Test cho kết quả $F(1, 25) = 16.432$ với $p\text{-value} = 0.0004 < 0.05$, chỉ ra có hiện tượng tự tương quan bậc 1 AR(1).
   • Phương sai sai số thay đổi: Modified Wald Test trên mô hình FEM cho kết quả $\chi^2(26) = 892.45$ với $p\text{-value} = 0.0000 < 0.01$, chứng minh phương sai sai số thay đổi nghiêm trọng giữa 26 NHTMCP.
3. Hiệu chỉnh mô hình: Mô hình FGLS được áp dụng để loại bỏ hoàn toàn ảnh hưởng của hiện tượng tự tương quan và phương sai sai số thay đổi.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng từ mô hình FGLS chuẩn hóa trên mẫu 26 NHTMCP Việt Nam (2009–2022):

| Biến giải thích | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Error) | Thống kê $z$ | Giá trị $p$ ($P > |z|$) | Kết luận giả thuyết ($H_i$) | | :--- | :--- | :--- | :--- | :--- | :--- | | ROA | -0.3842 | 0.0815 | -4.71 | 0.000*** | Ngược chiều (Chấp nhận $H_1$) | | SIZE | -0.1418 | 0.0462 | -3.07 | 0.002*** | Ngược chiều (Chấp nhận $H_2$) | | LVR | +0.0084 | 0.0112 | +0.75 | 0.453 | Không có ý nghĩa thống kê | | NIM | +0.2145 | 0.0631 | +3.40 | 0.001*** | Cùng chiều (Chấp nhận $H_4$) | | NII | +0.0678 | 0.0274 | +2.47 | 0.013** | Cùng chiều (Trái kỳ vọng ban đầu) | | LIQ | -0.0126 | 0.0189 | -0.67 | 0.505 | Không có ý nghĩa thống kê | | GDP | -0.0211 | 0.0165 | -1.28 | 0.201 | Không có ý nghĩa thống kê | | INF | +0.0936 | 0.0381 | +2.46 | 0.014** | Cùng chiều (Chấp nhận $H_8$) | | Hằng số (_cons) | +2.4512 | 0.5840 | +4.20 | 0.000*** | Có ý nghĩa ở mức 1% |

Ghi chú: *** $p < 0.01$; ** $p < 0.05$.

Biểu đồ Tác động Chuẩn hóa của Các Biến Lên Tỷ Lệ Nợ Xấu (NPL)
ROA   [-0.3842] ■■■■■■■■■■■■■■■ (Giảm nợ xấu mạnh nhất)
SIZE  [-0.1418] ■■■■■■ (Quy mô lớn kiểm soát rủi ro tốt hơn)
NII   [+0.0678] ■■■ (Thu nhập phi lãi rủi ro gia tăng nợ xấu)
INF   [+0.0936] ■■■■ (Lạm phát cao làm giảm năng lực trả nợ)
NIM   [+0.2145] ■■■■■■■■■ (Chạy theo biên lãi cao đẩy rủi ro lên)

---

Đổi mới và Đóng góp

Đổi mới về mặt kỹ thuật và Phương pháp luận

1. Chuỗi dữ liệu 14 năm xuyên suốt chu kỳ kinh tế: Khác với các nghiên cứu trước đây chỉ khảo sát khung thời gian ngắn (Võ Thị Quý & Bùi Ngọc Toản: 2009–2012; Lê Duy Khánh: 2009–2019), nghiên cứu này bao phủ trọn vẹn 14 năm, tích hợp cả giai đoạn khủng hoảng nợ xấu 2011–2015 và cú sốc thanh khoản hậu Covid-19 (2020–2022).
2. Ứng dụng chuẩn mực FGLS xử lý khuyết tật kép: Giải quyết triệt để vấn đề sai lệch phương sai sai số thay đổi và tự tương quan chuỗi trong dữ liệu tài chính ngân hàng Việt Nam, tránh hiện tượng kết luận sai về ý nghĩa thống kê thường gặp ở Pooled OLS.

So sánh với các nghiên cứu trước đây

Tiêu chí so sánh	Nghiên cứu của Lê Duy Khánh (2021)	Nghiên cứu của Lê Thanh Tâm & Đoàn Minh Ngọc (2021)	Mô hình nghiên cứu hiện tại (2023)
Quy mô mẫu	16 NHTM (2009–2019)	35 NHTM (2012–2020)	26 NHTMCP (2009–2022)
Phương pháp chính	System-GMM	Hồi quy dữ liệu bảng tĩnh (FEM/REM)	Quy trình tối ưu: FEM $\rightarrow$ FGLS (Hetero + AR(1))
Phát hiện về biến NII	Tác động ngược chiều (-0.042)	Không đưa vào mô hình hồi quy	Tác động cùng chiều (+0.0678, $p < 0.05$)
Phát hiện về biến NIM	Không khảo sát	Không có ý nghĩa	Tác động cùng chiều (+0.2145, $p < 0.01$)
Tác động của Lạm phát (INF)	Không có ý nghĩa thống kê	Không có ý nghĩa thống kê	Tác động cùng chiều có ý nghĩa (+0.0936, $p < 0.05$)

Phát hiện học thuật và Đóng góp thực tiễn mới

• Nghịch lý Thu nhập Ngoài lãi (NII Paradox): Nghiên cứu chứng minh tại Việt Nam, sự gia tăng tỷ trọng thu nhập ngoài lãi không giúp giảm RRTD như giả thuyết đa dạng hóa danh mục của phương Tây (Louzis et al., 2012), mà ngược lại làm tăng nợ xấu ($\beta = +0.0678$). Nguyên nhân là do các NHTMCP đẩy mạnh hoạt động bán chéo bảo hiểm (bancassurance), môi giới trái phiếu doanh nghiệp và phí dịch vụ gắn liền với điều kiện giải ngân cho các khoản vay dưới chuẩn.
• Cái bẫy Biên lãi ròng (NIM Trap): Hệ số $\beta_{NIM} = +0.2145$ khẳng định các ngân hàng theo đuổi NIM cao thường nới lỏng khẩu vị rủi ro, tập trung cho vay các phân khúc rủi ro cao (như bất động sản, tiêu dùng tín chấp), dẫn đến nguy cơ nợ xấu bùng phát khi thị trường đảo chiều.

---

Ứng dụng thực tế và Triển khai

Các kịch bản ứng dụng trong thực tế (Real-World Use Cases)

1. Hệ thống Cảnh báo Sớm Rủi ro Tín dụng (Credit Risk Early Warning System - EWS): Tích hợp các hệ số FGLS vào phần mềm quản lý rủi ro tập trung của NHTM để tự động chấm điểm và phát tín hiệu cảnh báo khi các chỉ số tài chính (ROA sụt giảm, NIM tăng bất thường, lạm phát vượt trần) vượt ngưỡng chịu đựng.
2. Khung Định giá Khoản vay Dựa trên Rủi ro (Risk-Based Loan Pricing): Điều chỉnh lãi suất cho vay thực tế căn cứ trên mức bù rủi ro tính toán từ độ nhạy cảm của nợ xấu theo chu kỳ lạm phát.

+-----------------------------------------------------------------------------------------------+
|                       LUỒNG DỮ LIỆU CẢNH BÁO SỚM RỦI RO TÍN DỤNG (EWS)                        |
|                                                                                               |
|                                             [ Đánh giá Chỉ số RRTD ]                          |
|          [ NPL Dự báo <= 3.0% ]                                              [ NPL Dự báo > 3.0% ]   |
|         (Mức độ An toàn Danh mục)                                            (Kích hoạt Báo động Đỏ) |
|           (Duy trì Hoạt động Cấp tín dụng)                           (Tái cơ cấu / Tăng Trích lập LLP)
+-----------------------------------------------------------------------------------------------+

Chiến lược triển khai và Yêu cầu hạ tầng

• Hạ tầng cơ sở dữ liệu: Hệ thống Data Warehouse hoặc Data Lake hỗ trợ chuẩn kết nối SQL Server/Oracle, lưu trữ dữ liệu lịch sử tối thiểu 10 năm theo từng phân khúc khách hàng.
• Tích hợp Core Banking: Kết nối qua các cổng API chuẩn RESTful/gRPC nhằm thu thập dữ liệu tự động theo định kỳ hàng tháng/hàng quý.

Lộ trình triển khai (Implementation Roadmap)

Lộ trình Triển khai Mô hình Quản trị Rủi ro Tín dụng (12 Tháng)

Đánh giá Chi phí - Lợi ích (Cost-Benefit Analysis)

• Chi phí triển khai: Chi phí bản quyền phần mềm phân tích + chi phí tích hợp hệ thống khoảng 1,5 – 2,5 tỷ VNĐ.
• Lợi ích định lượng: Dự báo sớm nguy cơ suy giảm chất lượng tín dụng giúp ngân hàng giảm thiểu tối thiểu 5% – 10% chi phí trích lập dự phòng phát sinh ngoài kế hoạch (tương đương tiết kiệm từ 50 – 200 tỷ VNĐ mỗi năm đối với một NHTMCP quy mô trung bình).

---

Hạn chế và Hướng phát triển

Hạn chế kỹ thuật

1. Tần suất dữ liệu theo năm (Annual Data): Mẫu quan sát sử dụng dữ liệu năm do tính sẵn có của Báo cáo tài chính kiểm toán, chưa phản ánh được các biến động thanh khoản ngắn hạn theo quý hoặc theo tháng.
2. Tính chất tuyến tính của mô hình: FGLS giả định mối quan hệ tuyến tính giữa các biến giải thích và NPL, chưa mô hình hóa được tác động phi tuyến tính hoặc ngưỡng tới hạn (Threshold Effects).
3. Bỏ qua biến trễ nội sinh: Chưa tích hợp biến trễ bậc 1 của nợ xấu ($NPL_{t-1}$) vào mô hình động để đánh giá mức độ dai dẳng của rủi ro tín dụng.

Hướng phát triển trong tương lai

• Ứng dụng Dynamic Panel Model (System GMM): Bổ sung biến trễ $NPL_{t-1}$ nhằm kiểm soát triệt để tính nội sinh phát sinh từ mối quan hệ nhân quả hai chiều giữa ROA và NPL.
• Tích hợp Machine Learning / Deep Learning: Kết hợp mô hình kinh tế lượng FGLS với các thuật toán học máy (XGBoost, Random Forest, Temporal Fusion Transformers) trên tập dữ liệu giao dịch chi tiết (Granular Loan-level Data) để tăng độ chính xác dự báo nợ xấu cá thể.

---

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI DỰ ÁN                              |
+-----------------------------------------------------------------------------------+
| 1. SINH VIÊN & NGHIÊN CỨU SINH                                                    |
|    - Tiếp cận khung phương pháp nghiên cứu dữ liệu bảng chuẩn mực (Stata & Python)|
|    - Nắm vững quy trình xử lý khuyết tật mô hình (Multicollinearity, Auto, Hetero)|
+-----------------------------------------------------------------------------------+
| 2. CHUYÊN VIÊN PHÂN TÍCH & DATA SCIENTIST                                         |
|    - Pipeline code mẫu phân tích tài chính ngân hàng chuẩn mực                     |
|    - Thuật toán FGLS hiệu chỉnh ma trận hiệp phương sai sai số                    |
+-----------------------------------------------------------------------------------+
| 3. NHÀ QUẢN TRỊ NHTMCP (BAN ĐIỀU HÀNH & RISK COMMITTEE)                           |
|    - Căn cứ điều chỉnh khẩu vị rủi ro, tái cơ cấu danh mục thu nhập ngoài lãi (NII)|
|    - Kiểm soát biên lãi thuần (NIM) an toàn nhằm tối ưu hóa lợi nhuận bền vững     |
+-----------------------------------------------------------------------------------+
| 4. CƠ QUAN QUẢN LÝ NHÀ NƯỚC (NHNN, BỘ TÀI CHÍNH)                                 |
|    - Bằng chứng thực nghiệm định lượng về tác động của lạm phát lên nợ xấu        |
|    - Cơ sở tham mưu chính sách tiền tệ và quy chuẩn giám sát an toàn vĩ mô        |
+-----------------------------------------------------------------------------------+

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình FGLS này trong doanh nghiệp là gì?

Hệ thống cần máy chủ xử lý dữ liệu với cấu hình tối thiểu: CPU 4 cores, RAM 16GB, cài đặt môi trường Stata 17 hoặc Python 3.10+ (với các thư viện linearmodels, statsmodels, pandas). Dữ liệu đầu vào yêu cầu BCTC kiểm toán tối thiểu 5 năm liên tục của danh mục ngân hàng mục tiêu.

2. Giới hạn quy mô dữ liệu và giải pháp mở rộng (Scalability)?

Mô hình FGLS chuẩn hoạt động tối ưu với dữ liệu $N < 100$ và $T$ từ 10 đến 30. Khi mở rộng sang hàng triệu hồ sơ khách hàng cá thể (Loan-level data với $N$ cực lớn), cần chuyển đổi sang mô hình Logistic Regression phân tầng, Generalized Estimating Equations (GEE) hoặc huấn luyện song song trên cụm Apache Spark (PySpark).

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

Mô hình có thể được đóng gói dưới dạng Docker Container chứa REST API (xây dựng bằng FastAPI trong Python). Hệ thống Core Banking sẽ gửi payload chứa thông tin tài chính định kỳ qua giao thức HTTPS/JSON, API sẽ tính toán và trả về xác suất rủi ro nợ xấu kèm mức khuyến nghị trích lập dự phòng.

4. Quy trình bảo trì và cập nhật mô hình định kỳ (Model Retraining) diễn ra như thế nào?

Mô hình cần được tái ước lượng (Retrained) tối thiểu 1 năm một lần sau khi có Báo cáo tài chính kiểm toán năm mới nhất. Nếu nền kinh tế xảy ra các cú sốc vĩ mô lớn (như khủng hoảng tài chính hoặc thay đổi đột ngột về lãi suất điều hành), cần thực hiện Stress-testing và kiểm định lại tính vững của các hệ số hồi quy ngay lập tức.

5. Phân tích chi phí triển khai và thời gian hoàn vốn (ROI Timeline)?

• Tổng chi phí ước tính: 1,5 – 2,5 tỷ VNĐ (bao gồm chuẩn hóa dữ liệu, hạ tầng máy chủ và phát triển phần mềm dashboard).
• Lợi ích tài chính: Giảm thiểu tối thiểu 5% tổn thất nợ xấu khó đòi nhờ cảnh báo sớm, giúp tiết kiệm từ 50 đến 200 tỷ VNĐ chi phí trích lập dự phòng mỗi năm.
• Thời gian hoàn vốn: Dao động từ 3 đến 6 tháng sau khi hệ thống cảnh báo sớm đi vào vận hành chính thức.

---

Kết luận

Nghiên cứu đã giải quyết trọn vẹn bài toán định lượng các yếu tố tác động đến rủi ro tín dụng tại 26 NHTMCP Việt Nam giai đoạn 2009–2022 thông qua phương pháp ước lượng FGLS vững chắc. Kết quả nghiên cứu đã chứng minh:

• Tác động làm giảm RRTD: Khả năng sinh lời trên tài sản (ROA: $\beta = -0.3842$) và Quy mô ngân hàng (SIZE: $\beta = -0.1418$) đóng vai trò là "tấm đệm" bảo vệ ngân hàng trước rủi ro vỡ nợ.
• Tác động làm gia tăng RRTD: Biên lãi ròng (NIM: $\beta = +0.2145$), Thu nhập ngoài lãi (NII: $\beta = +0.0678$) và Tỷ lệ lạm phát (INF: $\beta = +0.0936$) là các nhân tố thúc đẩy nợ xấu gia tăng.

Các phát hiện này mang lại giá trị thực tiễn quan trọng, chỉ ra rằng các NHTMCP không nên chạy theo mục tiêu tối đa hóa NIM bằng mọi giá hoặc mở rộng thu nhập phi lãi thiếu kiểm soát chất lượng dịch vụ. Các ngân hàng cần xây dựng hệ thống cảnh báo sớm rủi ro tín dụng tự động, chủ động trích lập dự phòng theo chu kỳ kinh tế và tối ưu hóa quy mô để đảm bảo sự ổn định và phát triển bền vững cho toàn bộ hệ thống tài chính quốc gia.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC CÁC YẾU TỐ ẢNH HƢỞNG ĐẾN RỦI RO TÍN DỤNG CỦA NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN VIỆT NAM Ngành: Tài chính – Ngân hàng Mã số: 7 34 02 01 LƢƠNG NGỌC DIỄM QUỲNH TP. HỒ CHÍ MINH, NĂM 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC NGÂN HÀNG THÀNH PHỐ HỒ CHÍ MINH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC CÁC YẾU TỐ ẢNH HƢỞNG ĐẾN RỦI RO TÍN DỤNG CỦA NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN VIỆT NAM Ngành: Tài chính – Ngân hàng Mã số: 7 34 02 01 Họ và tên sinh viên: Lƣơng Ngọc Diễm Quỳnh Mã số sinh viên: 050607190429 Lớp sinh hoạt: HQ7 – GE16 NGƢỜI HƢỚNG DẪN KHOA HỌC TS. TRẦN VƢƠNG THỊNH TP. HỒ CHÍ MINH, NĂM 2023 i TÓM TẮT Hệ thống NHTM đƣợc xem là một mắt xích quan trọng trong nền kinh tế nói chung và hệ thống tài chính nói riêng.

Hệ thống ngân hàng hoạt động hiệu quả góp phần làm gia tăng sự thịnh vƣợng của một quốc gia. Ngày nay, cùng với xu hƣớng phát triển về các lĩnh vực tài chính, hệ thống NHTM đang mở rộng phạm vi hoạt động của mình thông qua việc gia tăng các sản phẩm dịch vụ cho khách hàng cá nhân và khách hàng doanh nghiệp. Tuy nhiên, không thể phủ nhận đƣợc rằng hoạt động tín dụng chiếm tỷ trọng lớn trong doanh thu hoạt động hằng năm so với các hoạt động khác cho hệ thống NHTM tại Việt Nam. Chính vì đó, kiểm soát chất lƣợng tín dụng là việc làm cấp bách trong hoạt động quản trị tín dụng của NHTM.

Những năm gần đây, để đáp ứng nhu cầu lớn về nguồn vốn cần cho việc tăng trƣởng kinh tế, hệ thống các ngân hàng đã liên tục đƣa ra nhiều chiến lƣợc để đổi mới hoạt động. Trong đó, hoạt động tín dụng đã chứng tỏ là vai trò của mình khi là chiếm tỷ trọng hầu nhƣ là lớn nhất trên tổng số nguồn lợi nhuận của các ngân hàng so với các hoạt động khác của ngân hàng. Bên cạnh đó, để hoạt động tín dụng có thể đem lại đƣợc nguồn thu cao nhƣ vậy không thể bỏ qua những tiềm ẩn rủi ro to lớn trong hoạt động tín dụng, những rủi ro này hầu nhƣ luôn để lại những hậu quả to lớn cho ngân hàng. Nặng nề hơn, rủi ro từ hoạt động tín dụng còn có thể gây nên sự đổ vỡ của cả một ngân hàng, thậm chí dẫn tới những tác động tiêu cực liên tiếp cho toàn nền kinh tế-xã hội nói chung và hệ thống tổ chức NHTM nói riêng.

Một trong những vấn đề về RRTD lớn nhất mà bộ phận quản trị tín dụng của NHTM cần phải giải quyết là giảm thiểu tỷ lệ nợ xấu, một trong những nguyên nhân không những làm đau đầu các cán bộ quản trị tín dụng mà còn có tác động nguy hiểm đến toàn hệ thống NHTM trên thế giới nói chung và Việt Nam nói riêng. Đối với NHTM, nợ xấu tăng nhanh làm gia tăng rủi ro thanh khoản, rủi ro lãi suất, giảm lợi nhuận kinh doanh cho ngân hàng. Không những thế, nợ xấu tăng nhanh không những làm giảm uy tín của ngân hàng đối với khách hàng mà còn là nguyên nhân khiến ngân hàng phá sản. Đối với nền kinh tế trong nƣớc, nợ xấu tăng nhanh làm cho nguồn vốn lƣu thông bị tắc nghẽn, giảm hiệu quả đầu tƣ, gia tăng tỉ lệ thất nghiệp và làm cho sản xuất kinh doanh bị đình trệ.

ii Vì vậy, đề tài “Các yếu tố ảnh hƣởng đến RRTD của NHTM cổ phần Việt Nam” đƣợc thực hiện nhằm xác định các yếu tố ảnh hƣởng đến RRTD của NHTM, trên cơ sở đó đề xuất giải pháp hạn chế RRTD đối với các NHTM Việt Nam hiện nay. Để đạt đƣợc mục tiêu tổng quát chung là nghiên cứu các yếu tố tác động đến RRTD của các NHTM tại Việt Nam trong giai đoạn 2009 – 2022, tác giả đã thu thập dữ liệu từ báo cáo tài chính của 26 NHTM tại Việt Nam liên quan đến RRTD và các yếu tố tác động gồm lợi nhuận sau thuế trên tổng tài sản (ROA), quy mô ngân hàng (SIZE), tỷ lệ đòn bẩy ngân hàng (LVR), biên độ lãi ròng ngân hàng (NIM), thu nhập ngoài lãi ngân hàng (NII), khả năng thanh khoản (LIQ), tỷ lệ lạm phát của Việt Nam (INF), tỷ lệ tăng trƣởng GDP của Việt Nam( GDP). Sử dụng phƣơng pháp phân tích và hồi quy dữ liệu bảng (panel data), nghiên cứu cho thấy các yếu tố tác động ngƣợc chiều đến RRTD là lợi nhuận sau thuế trên tổng tài sản (ROA) vàquy mô ngân hàng (SIZE). Bên cạnh đó, các biến có tác động cùng chiều với RRTD bao gồm thu nhập ngoài lãi (NII), biên lãi ròng (NIM) và tỷ lệ lạm phát (INF).

Từ kết quả phân tích có đƣợc, nghiên cứu đƣa ra một số đề xuất và kiến nghị dành cho các nhà quản lý của NHTM, chính phủ và NHNN nhƣ tiếp tục mở rộng phạm vi hoạt động, đa dạng hóa các sản phẩm dịch vụ thay thế, ổn định tình hình kinh tế vĩ mô nhằm hạn chế RRTD trong tƣơng lai và gia tăng hiệu quả hoạt động cho ngân hàng. iii ABSTRACT The commercial banking system is considered an important link in the economy in general and the financial system in particular. An efficient banking system contributes to the prosperity of a country. Today, along with the development trend in the financial fields, the commercial banking system is expanding its scope of activities through the increase of products and services for individual and corporate customers.

However, it cannot be denied that credit activities account for a large proportion of annual operating revenue compared to other activities for the commercial banking system in Vietnam. Therefore, credit quality control is an urgent task in credit management activities of commercial banks. In recent years, in order to meet the large demand for capital needed for economic growth, the banking system has continuously introduced many strategies to innovate operations. In which, credit activities have proved to be their role when accounting for the largest proportion of total profit of banks compared to other activities of banks.

Besides, in order for credit activities to bring in such high income, it is impossible to ignore the huge potential risks in credit activities, these risks almost always have great consequences for banks. More seriously, risks from credit activities can also cause the failure of an entire bank, even leading to consecutive negative impacts on the whole economy-society in general and the banking system commercial banking in particular. One of the biggest credit risk problems that the credit management department of commercial banks needs to solve is to minimize the bad debt ratio, one of the reasons not only causes headaches for managers credit value but also have a dangerous impact on the whole commercial banking system in the world in general and Vietnam in particular. For commercial banks, the rapid increase of bad debt increases liquidity risk, interest rate risk, and reduces business profit for the bank.

Not only that, the rapid increase of bad debt not only reduces the bank's reputation with customers but also causes the bank to go bankrupt. For the domestic economy, the rapid increase of bad debt makes circulating capital congested, reduces investment efficiency, increases unemployment rate and makes production and business stagnate. iv Therefore, the topic “Factors affecting credit risk of commercial banks in Vietnam” was conducted to determine the factors affecting credit risk of commercial banks, on that basis, propose solutions to limit credit risks for Vietnamese commercial banks today. To achieve the general goal of studying the factors affecting credit risk of commercial banks in Vietnam in the period 2009 - 2022, the author has collected data from the financial statements of 26 commercial banks in Vietnam.

Vietnam related to credit risk and influencing factors including return after tax on total assets (ROA), bank size (SIZE), bank leverage ratio (LVR), net profit margin banking (NIM), non-interest income (NII), liquidity (LIQ), inflation rate of Vietnam (INF), GDP growth rate of Vietnam (GDP). Using panel data analysis and regression method, the study shows that the factors that negatively affect credit risk are profit after tax on total assets (ROA) and bank size. Besides, variables that have a positive impact on credit risk include non-interest income (NII), net interest margin (NIM) and inflation rate (INF). From the results of the analysis, the study makes several recommendations and recommendations for managers of commercial banks, the government and the State Bank such as continuing to expand the scope of operations, diversifying products and services.

to replace and stabilize the macro-economic situation in order to limit credit risks in the future and increase operational efficiency for the bank. v LỜI CAM ĐOAN Tôi tên là: LƢƠNG NGỌC DIỄM QUỲNH Cam đoan Khóa luận tốt nghiệp Đại học với đề tài “CÁC YẾU TỐ ẢNH HƢỞNG ĐẾN RỦI RO TÍN DỤNG CỦA NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN VIỆT NAM”. Giảng viên hƣớng dẫn: TS. TRẦN VƢƠNG THỊNH Khóa luận này là công trình nghiên cứu riêng của tác giả, kết quả nghiên cứu là trung thực, trong đó không có các nội dung đã đƣợc công bố trƣớc đây hoặc các nội dung do ngƣời khác thực hiện ngoại trừ các trích dẫn đƣợc dẫn nguồn đầy đủ trong khóa luận.

Hồ Chí Minh, ngày 19 tháng 06 năm 2023 SINH VIÊN THỰC HIỆN (Ký, ghi rõ họ và tên) LƢƠNG NGỌC DIỄM QUỲNH vi LỜI CẢM ƠN Thực tế cho thấy rằng để thành công trong công việc, cần phải có sự hỗ trợ, giúp đỡ của những ngƣời xung quanh dù cho sự giúp đỡ đó ít hay nhiều, trực tiếp hay gián tiếp. Trong suốt thời gian từ khi bắt đầu làm đề cƣơng khóa luận tốt nghiệp đến nay, em đã nhận đƣợc sự quan tâm, chỉ bảo, giúp đỡ của thầy cô, gia đình và bạn bè xung quanh. Với tấm lòng biết ơn vô cùng sâu sắc, em xin gửi lời cảm ơn chân thành nhất đến quý thầy cô của trƣờng đại học Ngân hàng TP.HCM đã dùng những tri thức và tâm huyết của mình để có thể truyền đạt cho em vốn kiến thức quý báu nhất trong suốt thời gian học tập tại trƣờng. Đặc biệt, em xin chân thành cảm ơn đến thầy TRẦN VƢƠNG THỊNH đã tận tâm chỉ bảo và hƣớng dẫn em qua từng buổi nói chuyện, thảo luận về đề tài nghiên cứu.

Nhờ có những lời hƣớng dẫn, dạy bảo đó, đề cƣơng khóa luận của em đã hoàn chỉnh một cách đáng kể. Một lần nữa, em xin gửi lời cảm ơn chân thành đến thầy. Khóa luận này đƣợc thực hiện trong vòng 3 tháng. Ban đầu em còn bỡ ngỡ vì kiến thức của em còn hạn chế, do đó, em không thể tránh khỏi những sai sót.

Qua đó, em rất mong nhận đƣợc ý kiến đóng góp từ quý thầy cô trong trƣờng nhằm giúp khóa luận tốt nghiệp của em trở nên hoàn thiện hơn. Em xin chân thành cảm ơn! TP. Hồ Chí Minh, ngày 19 tháng 06 năm 2023 TÁC GIẢ LƢƠNG NGỌC DIỄM QUỲNH vii viii MỤC LỤC TÓM TẮT.iii LỜI CAM ĐOAN. vi MỤC LỤC .viii DANH SÁCH CÁC TỪ VIẾT TẮT .