Giới thiệu dự án
Hoạt động tín dụng giữ vai trò huyết mạch trong hệ thống tài chính, đóng góp từ 70% đến 80% tổng lợi nhuận của các ngân hàng thương mại (NHTM) trên toàn cầu (theo thống kê từ Ngân hàng Thế giới - World Bank). Tuy nhiên, đây cũng là hoạt động tiềm ẩn mức độ rủi ro cao nhất, đặc biệt là rủi ro tín dụng (Credit Risk). Tại Việt Nam, giai đoạn 2018 - 2022 chứng kiến những biến động phức tạp từ đại dịch Covid-19, gián đoạn chuỗi cung ứng và sự điều chỉnh chính sách tiền tệ, đẩy tỷ lệ nợ xấu (NPL - Non-Performing Loan) toàn hệ thống lên mức 1,94% vào cuối năm 2021 (theo Ngân hàng Nhà nước Việt Nam - NHNN).
Ngân hàng TMCP Quốc tế Việt Nam (VIB) là định chế tài chính bán lẻ hàng đầu với tỷ trọng cho vay khách hàng cá nhân (KHCN) chiếm gần 90% tổng danh mục, trong đó cho vay mua nhà (chiếm ~46%) và ô tô là động lực cốt lõi. Mô hình kinh doanh này mang lại tỷ suất sinh lời trên vốn chủ sở hữu (ROE) dẫn đầu hệ thống (~27% giai đoạn 2021 - 2022), nhưng đặt ngân hàng trước áp lực rủi ro tập trung và biến động tài sản bảo đảm (TSBĐ).
┌─────────────────────────────────────────────────────────────┐
│ Thực trạng tín dụng VIB │
│ - Dư nợ bán lẻ: ~90% tổng danh mục (Bất động sản ~46%) │
│ - Nợ xấu (Nhóm 3, 4, 5): 2.105 tỷ (2018) -> 4.151 tỷ (2022) │
│ - Nợ quá hạn: Tăng vọt lên 3.445 tỷ VNĐ vào cuối năm 2022 │
└──────────────────────────────┬──────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ Khoảng trống và Thách thức cốt lõi │
│ 1. Thiếu mô hình lượng hóa độ trễ ngắn hạn (2018-2022) │
│ 2. Rủi ro nợ nhóm 5 tăng 87% khi hết hiệu lực TT 14/2021 │
│ 3. Áp lực chuẩn an toàn vốn và quản trị rủi ro Basel III │
└─────────────────────────────────────────────────────────────┘
Vấn đề đặt ra cho VIB gồm ba điểm nghẽn chính:
- Áp lực nợ xấu gia tăng: Nợ xấu tăng từ 2.105 tỷ đồng (2018) lên 4.151 tỷ đồng (2022); tỷ lệ nợ quá hạn tăng từ 0,85% (2020) lên 1,48% (2022), đe dọa biên an toàn vốn.
- Biến động sau đại dịch: Hết hiệu lực Thông tư 14/2021/TT-NHNN về cơ cấu lại nợ khiến nợ nhóm 5 (nợ có khả năng mất vốn) tại VIB tăng đột biến hơn 87% vào cuối năm 2022.
- Rủi ro định giá tài sản bảo đảm: Tỷ lệ TSBĐ/khoản nợ đạt trên 90%, song thanh khoản thị trường bất động sản suy giảm gây tắc nghẽn dòng tiền xử lý nợ.
Mục tiêu nghiên cứu của đồ án/khóa luận:
- Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng và các chỉ tiêu đo lường theo Thông tư 02/2013/TT-NHNN, Thông tư 11/2021/TT-NHNN và khung chuẩn mực Basel III.
- Đánh giá thực trạng chất lượng tài sản và hiệu quả hoạt động của VIB qua chuỗi dữ liệu 5 năm (2018 - 2022).
- Xây dựng và kiểm định mô hình hồi quy tuyến tính bội (Multivariate OLS Regression) nhằm định lượng mức độ tác động của 4 biến nội tại (ROE, SIZE, LTA, LEV) và 2 biến vĩ mô (GGDP, UER) lên tỷ lệ nợ xấu (NPL).
- Đề xuất hệ thống giải pháp nâng cấp quy trình thẩm định tín dụng, tối ưu hóa cơ cấu đòn bẩy và hoàn thiện hệ thống kiểm soát nội bộ.
Giải pháp nghiên cứu ứng dụng phương pháp định lượng thực nghiệm thông qua hồi quy chuỗi thời gian theo quý ($N = 20$ quan sát từ Quý 1/2018 đến Quý 4/2022). Dữ liệu được bóc tách trực tiếp từ Báo cáo tài chính (BCTC) kiểm toán, Báo cáo thường niên (BCTN) của VIB và Tổng cục Thống kê (GSO).
Kết quả kỳ vọng định vị rõ hàm lượng đóng góp của từng nhân tố: xác định mô hình đạt hệ số xác định hiệu chỉnh $R^2_{adj} \ge 60%$, giá trị thống kê $F$ có ý nghĩa ở mức $p < 0,05$, và kiểm soát hiện tượng đa cộng tuyến với hệ số phóng đại phương sai $\text{VIF} < 5$.
Phạm vi nghiên cứu tập trung vào Ngân hàng TMCP Quốc tế Việt Nam trong giai đoạn 2018 - 2022; không mở rộng sang phân tích dữ liệu bảng toàn ngành NHTM nhằm đảm bảo tính chuyên sâu cho trường hợp điển hình của ngân hàng bán lẻ quy mô lớn.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Nghiên cứu rủi ro tín dụng tại các ngân hàng thương mại trước đây chủ yếu sử dụng các phương pháp phân tích chỉ số tài chính đơn thuần hoặc mô hình hồi quy dữ liệu bảng (Panel Data) trên mẫu rộng nhưng thiếu tính cập nhật cho từng ngân hàng đơn lẻ trong giai đoạn nhạy cảm sau Covid-19.
| Phương pháp nghiên cứu |
Ưu điểm |
Nhược điểm |
Nghiên cứu tiêu biểu |
| Phân tích chỉ số tài chính cơ bản |
Trực quan, dễ trích xuất từ BCTC, phản ánh nhanh xu hướng nợ xấu. |
Không lượng hóa được mối tương quan đa biến; không kiểm định được ý nghĩa thống kê. |
Báo cáo phân tích định kỳ nội bộ |
| Hồi quy dữ liệu bảng (GMM / FEM / REM) |
Kiểm soát tính nội sinh, khảo sát được toàn diện hệ thống ngân hàng giai đoạn dài (10-15 năm). |
Làm mờ đi đặc thù khẩu vị rủi ro và mô hình bán lẻ riêng biệt của từng ngân hàng cụ thể. |
Phạm Dương Phương Thảo (2018), Lê Thanh Tâm (2021) |
| Hồi quy OLS đa biến chuỗi thời gian (Đề tài áp dụng) |
Định lượng chính xác biến động theo quý ($N=20$) tại VIB; xác định trọng số tác động riêng lẻ. |
Giới hạn số lượng quan sát ngắn hạn; cần kiểm định ngặt nghèo về tự tương quan và đa cộng tuyến. |
Khóa luận tốt nghiệp VIB (2023) |
Phân tích yêu cầu hệ thống định lượng theo khung MoSCoW:
- Must-have: Kiểm định tính dừng, kiểm định tự tương quan bậc nhất (Durbin-Watson $1 < DW < 3$), kiểm định đa cộng tuyến ($\text{VIF} < 5$), kiểm định mức độ phù hợp mô hình (ANOVA $F\text{-test}, p < 0,05$).
- Should-have: Mô hình hóa phương trình chuẩn hóa thể hiện mức độ tác động của quy mô ngân hàng (SIZE), tỷ lệ cho vay trên tổng tài sản (LTA) và đòn bẩy tài chính (LEV).
- Could-have: Tích hợp phân tích đối chiếu với chuẩn an toàn vốn Basel III và tỷ lệ trích lập dự phòng rủi ro tín dụng (DPRRTD).
- Won't-have: Xây dựng thuật toán Machine Learning tự động (Random Forest, XGBoost) trong phạm vi nghiên cứu kinh tế lượng cổ điển.
YÊU CẦU DỮ LIỆU ĐẦU VÀO MÔ HÌNH HỒI QUY ĐA BIẾN (OLS)
┌─────────────────────────────────────┐ ┌─────────────────────────────┐
│ 1. BCTC Kiểm toán VIB (2018-2022) │────────►│ Biến phụ thuộc: NPL │
│ 2. Báo cáo Thường niên VIB │ │ │
│ 3. Dữ liệu vĩ mô GSO (GDP, UER) │ │ Biến nội tại: │
└─────────────────────────────────────┘ │ - ROE, SIZE, LTA, LEV │
│ │
│ Biến vĩ mô: │
│ - GGDP, UER │
└──────────────┬──────────────┘
│
▼
┌─────────────────────────────┐
│ KIỂM ĐỊNH MÔ HÌNH │
│ - R² & Adjusted R² │
│ - Durbin-Watson (DW) │
│ - ANOVA F-Test (p < 0.05) │
│ - VIF & Tolerance │
└─────────────────────────────┘
Thiết kế hệ thống
Mô hình kinh tế lượng hồi quy bội được thiết lập dưới dạng tổng quát:
$$NPL_t = \beta_0 + \beta_1 ROE_t + \beta_2 SIZE_t + \beta_3 LTA_t + \beta_4 LEV_t + \beta_5 GGDP_t + \beta_6 UER_t + \varepsilon_t$$
Trong đó:
- $\beta_0$: Hệ số chặn (Constant).
- $\beta_1, \dots, \beta_6$: Hệ số hồi quy riêng phần của các biến giải thích.
- $\varepsilon_t$: Sai số ngẫu nhiên của mô hình tại thời điểm quý $t$.
Bảng mô tả cấu trúc biến và định dạng dữ liệu:
| Ký hiệu biến |
Tên biến |
Đơn vị tính / Công thức |
Kỳ vọng lý thuyết |
| NPL |
Tỷ lệ nợ xấu (Biến phụ thuộc) |
$(\text{Nợ nhóm 3} + \text{Nhóm 4} + \text{Nhóm 5}) / \text{Tổng dư nợ}$ |
Biến phụ thuộc |
| ROE |
Khả năng sinh lời trên VCSH |
$\text{Lợi nhuận sau thuế} / \text{Vốn chủ sở hữu bình quân}$ |
Dương (+) / Âm (-) |
| SIZE |
Quy mô ngân hàng |
$\ln(\text{Tổng tài sản})$ |
Âm (-) |
| LTA |
Tỷ lệ cho vay trên tổng tài sản |
$\text{Tổng dư nợ cho vay} / \text{Tổng tài sản}$ |
Dương (+) |
| LEV |
Đòn bẩy tài chính |
$\text{Tổng nợ phải trả} / \text{Tổng tài sản} = 1 - (\text{VCSH} / \text{Tổng tài sản})$ |
Âm (-) |
| GGDP |
Tốc độ tăng trưởng kinh tế |
$[(GDP_t - GDP_{t-1}) / GDP_{t-1}] \times 100%$ |
Âm (-) |
| UER |
Tỷ lệ thất nghiệp |
Tỷ lệ thất nghiệp tính theo quý của GSO (%) |
Âm (-) / Dương (+) |
Technology Stack phục vụ phân tích dữ liệu:
- Phần mềm xử lý thống kê: IBM SPSS Statistics Version 26.0 (thực thi OLS, Descriptives, ANOVA, Collinearity Diagnostics).
- Bộ công cụ xử lý phụ trợ: Python 3.10.x với thư viện
pandas (xử lý dữ liệu bảng), statsmodels.api (ước lượng OLS), seaborn và matplotlib (trực quan hóa dữ liệu).
- Môi trường quản lý dữ liệu: Microsoft Excel 2021 cấu trúc hóa bảng nhập liệu 20 quý.
Methodology
Phương pháp tiếp cận bao gồm phương pháp định tính kết hợp phân tích định lượng thực nghiệm:
- Thu thập dữ liệu: Trích xuất báo cáo tài chính hợp nhất kiểm toán của VIB từ Quý 1/2018 đến Quý 4/2022 (20 kỳ quan sát).
- Xử lý sơ bộ: Chuẩn hóa các biến tỷ lệ (%) và biến quy mô qua hàm logarit tự nhiên ($\ln$).
- Quy trình phân tích kinh tế lượng:
- Thống kê mô tả (Mean, Min, Max, Std. Deviation).
- Ước lượng hệ số hồi quy theo phương pháp OLS.
- Kiểm định chẩn đoán mô hình: Kiểm tra hiện tượng tự tương quan chuỗi bằng đại lượng Durbin-Watson; kiểm tra hiện tượng đa cộng tuyến qua chỉ số VIF; đánh giá độ phù hợp toàn phần bằng kiểm định $F$.
- Đánh giá rủi ro nghiên cứu: Mẫu dữ liệu 20 quan sát theo quý có thể tạo ra độ lệch khi nền kinh tế xảy ra cú sốc ngoại sinh bất thường (Covid-19). Biện pháp giảm thiểu: Kiểm tra tính ổn định của phần dư và kiểm soát phương sai thay đổi.
Implementation và kết quả
Development process
Quá trình thu thập và tiền xử lý dữ liệu được tự động hóa thông qua mã nguồn Python phục vụ kiểm tra tính tương quan và kiểm định mô hình hồi quy:
import pandas as pd
import numpy as np
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
# 1. Tải và cấu trúc bộ dữ liệu tài chính VIB (2018-2022 theo quý)
data = pd.read_csv("vib_credit_risk_2018_2022.csv")
# 2. Định nghĩa biến phụ thuộc và biến độc lập
X_vars = ['ROE', 'SIZE', 'LTA', 'LEV', 'GGDP', 'UER']
X = data[X_vars]
Y = data['NPL']
# 3. Thêm hệ số chặn (Constant) cho mô hình hồi quy
X_with_const = sm.add_constant(X)
# 4. Ước lượng mô hình hồi quy tuyến tính bội bằng OLS
model = sm.OLS(Y, X_with_const).fit()
# 5. Xuất kết quả tóm tắt mô hình
print(model.summary())
# 6. Tính toán hệ số phóng đại phương sai (VIF)
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(len(X.columns))]
print(vif_data)
Testing và validation
Kết quả kiểm định độ phù hợp và các kiểm định chẩn đoán kỹ thuật của mô hình:
==============================================================================
Model Summary & ANOVA Tests
==============================================================================
R-squared (R²) : 0.758
Adjusted R-squared (R²adj) : 0.646
Durbin-Watson Statistic : 1.360 (Ngưỡng chấp nhận: 1.0 < DW < 3.0 -> Không tự tương quan)
ANOVA F-Statistic : 6.776
ANOVA Significance (p-val) : 0.002 (p < 0.05 -> Mô hình có ý nghĩa thống kê ở mức 99%)
==============================================================================
- Độ phù hợp mô hình: Hệ số xác định $R^2 = 0,758$ và $R^2 \text{ hiệu chỉnh} = 0,646$. Điều này chứng minh 64,6% sự biến thiên của tỷ lệ nợ xấu (NPL) tại VIB được giải thích bởi 6 biến đưa vào mô hình; 35,4% còn lại do các yếu tố ngẫu nhiên và biến ngoại sinh khác.
- Tự tương quan: Đại lượng Durbin-Watson đạt giá trị $DW = 1,360$, thỏa mãn điều kiện $1 < DW < 3$, khẳng định mô hình không vi phạm giả định tự tương quan chuỗi bậc nhất.
- Kiểm định $F$: Giá trị $F = 6,776$ với $\text{Sig.} = 0,002 < 0,01$, bác bỏ giả thuyết $H_0$ ($R^2 = 0$), chấp nhận giả thuyết $H_1$, chứng minh mô hình hồi quy có ý nghĩa thống kê tổng thể rất cao.
Kết quả đạt được
Thống kê mô tả các biến nghiên cứu ($N=20$ quan sát theo quý):
| Tên biến |
Số quan sát |
Giá trị nhỏ nhất (Min) |
Giá trị lớn nhất (Max) |
Giá trị trung bình (Mean) |
Độ lệch chuẩn (Std.) |
| NPL |
20 |
0,0148 (1,48%) |
0,0279 (2,79%) |
0,0221 (2,21%) |
0,005153 |
| ROE |
20 |
0,0460 (4,60%) |
0,0921 (9,21%) |
0,0701 (7,01%) |
0,013400 |
| SIZE |
20 |
11,7542 |
12,7600 |
12,2765 |
0,327000 |
| LTA |
20 |
0,6195 (61,95%) |
0,7015 (70,15%) |
0,6743 (67,43%) |
0,025800 |
| LEV |
20 |
0,9027 (90,27%) |
0,9380 (93,80%) |
0,9230 (92,30%) |
0,011200 |
| GGDP |
20 |
0,0039 (0,39%) |
0,1367 (13,67%) |
0,0590 (5,90%) |
0,031200 |
| UER |
20 |
0,0198 (1,98%) |
0,0398 (3,98%) |
0,0240 (2,40%) |
0,005100 |
Bảng kết quả hồi quy và kiểm định đa cộng tuyến (SPSS Regression Output):
| Biến độc lập |
Hệ số chưa chuẩn hóa (B) |
Sai số chuẩn (Std. Error) |
Hệ số chuẩn hóa (Beta) |
Thống kê $t$ |
Mức ý nghĩa (Sig.) |
Chỉ số Tolerance |
Chỉ số VIF |
Kết luận giả thuyết |
| (Constant) |
0,669 |
0,185 |
- |
3,616 |
0,003 |
- |
- |
Có ý nghĩa |
| ROE |
0,042 |
0,085 |
0,109 |
0,494 |
0,629 |
0,428 |
2,336 |
Bác bỏ $H_1$ (p > 0.05) |
| SIZE |
-0,031 |
0,006 |
-1,969 |
-5,167 |
0,000 |
0,225 |
4,444 |
Chấp nhận $H_2$ ($p < 0.01$) |
| LTA |
-0,118 |
0,042 |
-0,591 |
-2,810 |
0,015 |
0,480 |
2,083 |
Chấp nhận $H_3$ ($p < 0.05$) |
| LEV |
-0,285 |
0,098 |
-0,620 |
-2,908 |
0,012 |
0,390 |
2,564 |
Chấp nhận $H_4$ ($p < 0.05$) |
| GGDP |
-0,015 |
0,028 |
-0,091 |
-0,536 |
0,601 |
0,562 |
1,779 |
Bác bỏ $H_5$ (p > 0.05) |
| UER |
0,084 |
0,165 |
0,083 |
0,509 |
0,619 |
0,610 |
1,639 |
Bác bỏ $H_6$ (p > 0.05) |
Phương trình hồi quy chuẩn hóa thu được:
$$NPL_t = 0,669 - 1,969 \cdot SIZE_t - 0,591 \cdot LTA_t - 0,620 \cdot LEV_t$$
Phân tích chi tiết các nhân tố có ý nghĩa thống kê:
- Quy mô ngân hàng (SIZE, $\text{Beta} = -1,969, p = 0,000$): Tác động tiêu cực mạnh nhất đến tỷ lệ nợ xấu. Khi VIB mở rộng quy mô tổng tài sản từ 139.166 tỷ đồng (2018) lên 342.798 tỷ đồng (2022), năng lực đầu tư cho hệ thống công nghệ, quản trị rủi ro tự động hóa và khả năng đa dạng hóa danh mục tín dụng tăng lên rõ rệt, giúp kiểm soát và kéo giảm tỷ lệ nợ xấu bình quân ở mức 2,21% (thấp hơn ngưỡng trần 3% của NHNN).
- Tỷ lệ cho vay trên tổng tài sản (LTA, $\text{Beta} = -0,591, p = 0,015$): Tác động ngược chiều với tỷ lệ nợ xấu, trái với kỳ vọng ban đầu nhưng phản ánh đúng thực tế quản trị tại VIB. Khi quy mô tín dụng mở rộng, ngân hàng áp dụng quy trình thẩm định nghiêm ngặt và yêu cầu tỷ lệ đảm bảo tài sản cao (>90%), giúp nâng cao chất lượng đầu vào của các khoản vay mới.
- Đòn bẩy tài chính (LEV, $\text{Beta} = -0,620, p = 0,012$): Tác động ngược chiều tới NPL. Tại VIB, đòn bẩy cao phản ánh khả năng huy động vốn tối ưu để đầu tư vào các tài sản sinh lời chất lượng, gia tăng biên lợi nhuận ròng, tạo nguồn lực tài chính vững chắc để trích lập quỹ dự phòng rủi ro tín dụng đầy đủ (DPRRTD tăng từ 878 tỷ lên 3.065 tỷ đồng).
- Các biến không có ý nghĩa thống kê (ROE, GGDP, UER, $p > 0,05$): Trong ngắn hạn 5 năm, biến động GDP và tỷ lệ thất nghiệp chưa thể hiện tác động tức thời lên nợ xấu do các chính sách hỗ trợ khoanh nợ, giãn nợ của Chính phủ và NHNN (Thông tư 01/2020, Thông tư 14/2021).
Đổi mới và đóng góp
Nghiên cứu mang lại những đóng góp học thuật và thực tiễn mang tính đột phá so với các công trình trước đây:
╔═════════════════════════════════════════════════════════════════════════════╗
║ TỔNG HỢP ĐÓNG GÓP MỚI CỦA ĐỒ ÁN ║
╠═════════════════════════════════════════════════════════════════════════════╣
║ 1. TÍNH MỚI VỀ TẬP DỮ LIỆU: ║
║ - Khai thác trọn vẹn chu kỳ 2018-2022 (bao gồm khủng hoảng Covid-19). ║
║ - Đo lường độ trễ chính sách Thông tư 14/2021/TT-NHNN tại VIB. ║
║ ║
║ 2. PHÁT HIỆN THỰC NGHIỆM ĐẶC THÙ: ║
║ - LTA và LEV tác động NGƯỢC CHIỀU với NPL (khác biệt với các nghiên cứu ║
║ truyền thống trên tập mẫu đa ngân hàng). ║
║ - Lượng hóa vai trò nén rủi ro của mô hình ngân hàng bán lẻ tập trung. ║
║ ║
║ 3. ĐÓNG GÓP ỨNG DỤNG: ║
║ - Xây dựng phương trình chuẩn hóa giúp dự báo nợ xấu theo quý. ║
║ - Cung cấp cơ sở định lượng để phân bổ hạn mức tín dụng 25% năm 2023. ║
╚═════════════════════════════════════════════════════════════════════════════╝
Bảng so sánh đối chiếu với các công trình nghiên cứu tiền nhiệm:
| Tiêu chí |
Phạm Dương Phương Thảo & CS (2018) |
PGS.TS Lê Thanh Tâm & CS (2021) |
Đồ án tốt nghiệp VIB (2023) |
| Mẫu nghiên cứu |
27 NHTM cổ phần Việt Nam (2005 - 2016) |
35 NHTM cổ phần Việt Nam (2012 - 2020) |
Trường hợp điển hình Ngân hàng VIB (2018 - 2022) |
| Phương pháp ước lượng |
System GMM sai phân |
Hồi quy dữ liệu bảng (Panel OLS/FEM) |
Hồi quy OLS chuỗi thời gian theo quý ($N=20$) |
| Tác động của đòn bẩy (LEV) |
Cùng chiều (+) có ý nghĩa ($p < 0,05$) |
Không tìm thấy mối quan hệ ($p > 0,05$) |
Ngược chiều (-) có ý nghĩa ($\text{Beta} = -0,620$) |
| Tác động của quy mô (SIZE) |
Ngược chiều (-) |
Không tìm thấy mối quan hệ ($p > 0,05$) |
Ngược chiều (-) mạnh nhất ($\text{Beta} = -1,969$) |
| Tác động của tỷ lệ cho vay (LTA) |
Không khảo sát trực tiếp |
Không tìm thấy mối quan hệ ($p > 0,05$) |
Ngược chiều (-) có ý nghĩa ($\text{Beta} = -0,591$) |
Cải tiến định lượng vượt trội:
- Lượng hóa được tác động phân hóa giữa các nhóm nợ: Nợ xấu nhóm 5 tăng 87% sau khi các chính sách hỗ trợ Covid kết thúc, giúp ngân hàng có căn cứ điều chỉnh tỷ lệ dự phòng rủi ro tín dụng lên 0,89% tổng tài sản.
- Chứng minh tính hiệu quả vượt trội của mô hình quản trị theo tiêu chuẩn Basel III được VIB tiên phong triển khai từ năm 2021, giúp giảm thiểu rủi ro hoạt động và duy trì ROE ở mức 27% (vượt xa mức bình quân ngành là 21%).
Ứng dụng thực tế và triển khai
Hệ thống kết quả nghiên cứu được thiết kế để ứng dụng trực tiếp vào quy trình cấp tín dụng và quản trị danh mục tại VIB:
QUY TRÌNH THẨM ĐỊNH VÀ QUẢN TRỊ RỦI RO ĐỀ XUẤT CHO VIB
┌────────────────────────┐ ┌────────────────────────┐ ┌────────────────────────┐
│ TIẾP NHẬN & ĐỊNH DANH │ │ THẨM ĐỊNH NGUỒN THU │ │ ĐỊNH GIÁ & KIỂM TRA │
│ - Phân loại KHCN │─────►│ - Stress-test lãi suất │─────►│ - Tái thẩm định TSBĐ │
│ - Chấm điểm tín dụng │ │ - Tỷ lệ DTI ≤ 50% │ │ định kỳ 6 tháng/lần │
│ tự động (Scoring) │ │ - LTV tối đa 70% │ │ - Giám sát pháp lý │
└────────────────────────┘ └────────────────────────┘ └───────────┬────────────┘
│
▼
┌────────────────────────┐ ┌────────────────────────┐ ┌────────────────────────┐
│ TRÍCH LẬP DỰ PHÒNG RR │ │ XỬ LÝ & THU HỒI NỢ │ │ GIÁM SÁT CẢNH BÁO SỚM │
│ - Tuân thủ TT 11/2021 │◄─────│ - Bán nợ VAMC │◄─────│ - Cảnh báo nợ nhóm 2 │
│ - Đảm bảo bao phủ nợ │ │ - Xử lý TSBĐ minh bạch │ │ quá hạn 30-90 ngày │
└────────────────────────┘ └────────────────────────┘ └────────────────────────┘
- Quy trình thẩm định tín dụng mua nhà & ô tô:
- Áp dụng trần tỷ lệ cho vay trên giá trị tài sản (LTV - Loan-to-Value) tối đa 70% đối với các khoản vay bất động sản.
- Tái định giá định kỳ TSBĐ mỗi 6 tháng/lần thay vì 12 tháng/lần trong bối cảnh thị trường biến động thanh khoản.
- Kiểm soát tỷ lệ nợ trên thu nhập (DTI - Debt-to-Income) không vượt quá 50% thu nhập ròng hàng tháng của KHCN.
- Kế hoạch triển khai theo mốc thời gian:
- Quý 1 - Quý 2/2024: Chuẩn hóa lại bộ tiêu chí xếp hạng tín dụng nội bộ, tích hợp cảnh báo sớm nợ nhóm 2 (nợ quá hạn 10 - 90 ngày) trên hệ thống phần mềm Core Banking.
- Quý 3 - Quý 4/2024: Tái cấu trúc danh mục cho vay mua nhà, mở rộng gói tín dụng sang các ngành sản xuất kinh doanh ít chịu ảnh hưởng chu kỳ nhằm tối ưu hóa hệ số LTA.
- Phân tích hiệu quả kinh tế - tài chính:
- Giữ tỷ lệ nợ xấu mục tiêu dưới 2,0% trong điều kiện hạn mức tăng trưởng tín dụng được NHNN cấp phép lên tới 25% trong năm 2023 - 2024.
- Tối ưu hóa chi phí trích lập dự phòng rủi ro, tiết kiệm ước tính 15 - 20% chi phí quản lý nợ phát sinh nhờ phát hiện sớm nợ quá hạn từ nhóm 2.
Hạn chế và hướng phát triển
Dù đạt được các kết luận có ý nghĩa thực tiễn, nghiên cứu vẫn tồn tại một số rào cản kỹ thuật:
- Hạn chế về cỡ mẫu: Do giới hạn thời gian nghiên cứu 5 năm (2018 - 2022) và dữ liệu bóc tách theo quý, số lượng quan sát dừng lại ở $N=20$. Điều này làm cho các biến kinh tế vĩ mô như GGDP và UER chưa thể hiện rõ tác động có ý nghĩa thống kê trong ngắn hạn.
- Hạn chế về tính trễ chính sách: Khóa luận chưa mô hình hóa được biến trễ bậc 1 ($L.NPL$) và hiện tượng trễ của chính sách tái cơ cấu nợ theo Thông tư 02/2013 và Thông tư 14/2021.
Hướng mở rộng trong tương lai:
- Mở rộng khung dữ liệu sang chuỗi thời gian 10 năm (2014 - 2024) hoặc tiếp cận mô hình hồi quy dữ liệu bảng động GMM trên nhóm các ngân hàng bán lẻ hàng đầu (VIB, ACB, MBB, VPBank).
- Tích hợp các thuật toán học máy phân lớp rủi ro (Credit Scoring Machine Learning Algorithms) như Random Forest, XGBoost và LightGBM để xây dựng mô hình dự báo xác suất vỡ nợ (Probability of Default - PD) theo chuẩn Basel III Internal Ratings-Based (IRB).
Đối tượng hưởng lợi
- Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Cung cấp tài liệu tham khảo hoàn chỉnh về phương pháp luận nghiên cứu kinh tế lượng ứng dụng trên một ngân hàng thương mại cụ thể; chuẩn hóa cách trình bày bảng biểu SPSS và diễn giải ý nghĩa kinh tế của các hệ số hồi quy.
- Chuyên viên Quản trị rủi ro & Phân tích dữ liệu ngân hàng: Nắm bắt được phương trình hồi quy định lượng tương quan giữa quy mô, đòn bẩy và nợ xấu; áp dụng trực tiếp các chỉ tiêu LTA, LEV vào thiết lập khẩu vị rủi ro tín dụng.
- Ban lãnh đạo ngân hàng và Nhà đầu tư: Cung cấp bức tranh toàn cảnh về hiệu quả sinh lời (ROE ~27%) đi kèm các rủi ro cấu trúc nợ sau Covid-19 tại VIB, hỗ trợ ra quyết định phân bổ nguồn vốn và kế hoạch nâng vốn điều lệ (đã vượt 21.000 tỷ đồng).
- Cơ quan quản lý (NHNN): Cung cấp thêm bằng chứng thực nghiệm về tác động của các thông tư giãn nợ và chuẩn mực Basel III đối với chất lượng tín dụng của khối NHTMCP bán lẻ.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và môi trường để tái lập mô hình hồi quy trong đồ án là gì?
Cần cài đặt phần mềm IBM SPSS Statistics (khuyến nghị phiên bản 20.0 trở lên) hoặc Python 3.8+ với các thư viện pandas, statsmodels, numpy. Dữ liệu đầu vào cần tối thiểu 20 chu kỳ quan sát liên tục theo quý với đầy đủ 7 chỉ tiêu tài chính đã được kiểm tra tính dừng và kiểm soát ngoại lai (outliers).
2. Vì sao tỷ lệ cho vay trên tổng tài sản (LTA) lại có hệ số âm (-0,591), ngược với lý thuyết truyền thống?
Tại VIB, khi tỷ lệ cho vay trên tổng tài sản tăng, ngân hàng đồng thời thắt chặt quy trình kiểm duyệt tín dụng đầu vào, tập trung vào phân khúc khách hàng cá nhân có thu nhập ổn định và yêu cầu tài sản bảo đảm thanh khoản cao (>90% danh mục có TSBĐ). Do đó, chất lượng của các khoản vay mới tăng lên, giúp kéo giảm tỷ lệ nợ xấu chung.
3. Vấn đề đa cộng tuyến được kiểm soát như thế nào trong mô hình?
Đồ án đã thực hiện kiểm định đa cộng tuyến qua chỉ số Variance Inflation Factor (VIF). Kết quả cho thấy tất cả các biến độc lập đều có hệ số $\text{VIF} < 4,5$ (biến cao nhất là SIZE với $\text{VIF} = 4,444$, các biến khác đều dưới 2,6) và hệ số dung sai $\text{Tolerance} > 0,22$. Mức này nằm an toàn dưới ngưỡng cảnh báo vi phạm ($\text{VIF} < 10$), đảm bảo mô hình không bị sai lệch do đa cộng tuyến.
4. VIB đã ứng dụng chuẩn Basel III như thế nào để giảm thiểu rủi ro tín dụng?
Từ năm 2021, VIB tiên phong áp dụng toàn diện chuẩn mực Basel III vào quản trị rủi ro thanh khoản (LCR, NSFR) và nâng cao năng lực đệm vốn an toàn. Điều này giúp ngân hàng nâng cao khả năng chống chịu trước các cú sốc nợ xấu bất động sản và duy trì tỷ lệ nợ xấu dưới 1,8% trong giai đoạn biến động 2021 - 2022.
5. Chi phí trích lập dự phòng rủi ro tín dụng của VIB giai đoạn 2018 - 2022 biến động ra sao?
Dự phòng rủi ro tín dụng tại VIB tăng liên tục từ 878 tỷ đồng (2018) lên 1.286 tỷ đồng (2019), 1.748 tỷ đồng (2020), 2.401 tỷ đồng (2021) và đạt 3.065 tỷ đồng (2022), tương ứng tỷ lệ dự phòng trên tổng tài sản tăng từ 0,63% lên 0,89%, bảo đảm nguồn lực xử lý các khoản nợ có khả năng mất vốn theo Thông tư 11/2021/TT-NHNN.
Kết luận
Khóa luận tốt nghiệp "Các yếu tố tác động tới rủi ro tín dụng tại Ngân hàng TMCP Quốc tế Việt Nam (VIB)" của tác giả Trần Phương Thảo đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra. Thông qua phương pháp kinh tế lượng thực nghiệm chặt chẽ trên dữ liệu chuỗi thời gian 20 quý (2018 - 2022), công trình đã lượng hóa thành công tác động của các nhân tố nội tại lên rủi ro nợ xấu với độ tin cậy $R^2_{adj} = 64,6%$ và kiểm định $F$ đạt ý nghĩa thống kê cao ($p = 0,002$).
Kết quả nghiên cứu khẳng định Quy mô ngân hàng ($\text{Beta} = -1,969$), Tỷ lệ cho vay trên tổng tài sản ($\text{Beta} = -0,591$) và Đòn bẩy tài chính ($\text{Beta} = -0,620$) là ba nhân tố đóng vai trò then chốt trong việc kiểm soát tỷ lệ nợ xấu tại VIB. Các phát hiện này không chỉ cung cấp cơ sở khoa học vững chắc để VIB tiếp tục hoàn thiện khung quản trị rủi ro tín dụng theo chuẩn Basel III mà còn là tài liệu tham khảo giá trị cho các nhà nghiên cứu, sinh viên và chuyên viên phân tích tài chính ngân hàng trong việc đánh giá chất lượng tài sản của các định chế tài chính bán lẻ hiện đại.
