Giới thiệu dự án

Hoạt động cấp tín dụng đóng vai trò là nguồn thu nhập cốt lõi nhưng đồng thời cũng là nguồn phát sinh rủi ro lớn nhất đối với hệ thống ngân hàng thương mại (NHTM). Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), tính đến cuối tháng 6/2023, tỷ lệ nợ xấu (Non-Performing Loans - NPL) nội bảng toàn hệ thống đã chạm mức 3,36%, tăng gần gấp đôi so với mức 1,69% tại thời điểm cuối năm 2020. Áp lực nợ xấu gia tăng từ hệ lụy sau đại dịch COVID-19, sự đóng băng của thị trường bất động sản và sự biến động của thị trường trái phiếu doanh nghiệp đã tạo ra thách thức lớn đối với biên lãi ròng (Net Interest Margin - NIM) cũng như hệ số an toàn vốn (Capital Adequacy Ratio - CAR) theo chuẩn mực Basel II/III.

Vấn đề cốt lõi đặt ra là sự thiếu hụt các mô hình định lượng chuẩn xác và toàn diện nhằm xác định rõ mức độ tác động đồng thời của các yếu tố nội tại ngân hàng (vi mô), biến số kinh tế vĩ mô và đặc biệt là yếu tố cấu trúc sở hữu Nhà nước đối với rủi ro tín dụng (RRTD). Khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến rủi ro tín dụng của hệ thống Ngân hàng thương mại Việt Nam" do sinh viên Lê Thị Quỳnh Như (Trường Đại học Ngân hàng TP. Hồ Chí Minh) thực hiện dưới sự hướng dẫn khoa học của TS. Vũ Thị Anh Thư, nhằm giải quyết bài toán này.

Mô hình nghiên cứu tổng quát:
[Yếu tố vi mô: CAP, GROW, ROA, LLR, SIZE] 
                   +                     ===> [Mô hình FGLS (Stata 17)] ===> [Tỷ lệ Nợ xấu (NPL)]
[Yếu tố vĩ mô & Đặc thù: GDP, INF, STA]

Mục tiêu nghiên cứu cụ thể của dự án:

  1. Hệ thống hóa cơ sở lý luận về RRTD dựa trên Lý thuyết Thông tin bất cân xứng (Asymmetric Information Theory) và Lý thuyết Chu kỳ kinh tế (Business Cycle Theory).
  2. Xây dựng bộ chỉ tiêu tài chính và kinh tế lượng bao gồm 8 biến độc lập tác động đến tỷ lệ nợ xấu ($NPL$).
  3. Thu thập, xử lý bộ dữ liệu bảng (Panel Data) của 25 NHTMCP Việt Nam trong giai đoạn 10 năm liên tục (2013 – 2022).
  4. Ứng dụng phần mềm Stata 17 để ước lượng và kiểm định các mô hình Pooled OLS, FEM, REM, đồng thời xử lý triệt để hiện tượng phương sai sai số thay đổi và tự tương quan bằng phương pháp FGLS.
  5. Đề xuất hệ thống giải pháp quản trị rủi ro thực tiễn nhằm tối ưu hóa danh mục tín dụng và kiểm soát nợ xấu dưới ngưỡng 3%.

Phạm vi và giới hạn nghiên cứu:

  • Không gian: 25 NHTMCP đại diện cho hơn 85% tổng tài sản và thị phần cấp tín dụng toàn hệ thống ngân hàng Việt Nam (gồm 16 ngân hàng niêm yết HOSE, 2 ngân hàng niêm yết HNX, 6 ngân hàng giao dịch UPCOM và 1 ngân hàng chưa niêm yết).
  • Thời gian: Chuỗi dữ liệu thứ cấp kéo dài 10 năm từ 2013 đến 2022 (tương ứng 250 quan sát).
  • Giới hạn: Nghiên cứu tập trung vào nợ xấu nội bảng (nhóm 3, 4, 5 theo Thông tư của NHNN), chưa tính toán nợ tiềm ẩn đã tái cơ cấu hoặc nợ bán cho VAMC chưa xử lý.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng mô hình nghiên cứu thực nghiệm, tác giả tiến hành đánh giá các phương pháp tiếp cận định lượng phổ biến trong phân tích kinh tế lượng tài chính:

Phương pháp tiếp cận Ưu điểm Nhược điểm Đánh giá tính phù hợp
Pooled OLS (Bình phương nhỏ nhất gộp) Đơn giản, dễ tính toán, phù hợp với mẫu dữ liệu quan sát đồng nhất. Bỏ qua đặc trưng riêng lẻ không đổi theo thời gian của từng ngân hàng ($\mu_i$), dễ gây chệch hệ số. Không phù hợp cho dữ liệu bảng 25 ngân hàng có quy mô khác biệt.
Fixed Effects Model (FEM) Kiểm soát được các yếu tố đặc thù cố định bất biến theo thời gian của từng ngân hàng. Không ước lượng được các biến giả độc lập không đổi theo thời gian như biến Sở hữu Nhà nước ($STA$). Cần thiết để kiểm định nhưng hạn chế trong việc đánh giá biến $STA$.
Random Effects Model (REM) Cho phép ước lượng các biến không đổi theo thời gian, hiệu quả nếu sai số ngẫu nhiên không tương quan biến độc lập. Dễ bị vi phạm giả định tương quan giữa sai số riêng biệt và các biến giải thích ($Cov(\alpha_i, X_{it}) \neq 0$). Cần thực hiện kiểm định Hausman để so sánh với FEM.
Feasible GLS (FGLS) Khắc phục đồng thời hiện tượng phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation). Phức tạp hơn trong tính toán ma trận hiệp phương sai sai số. Lựa chọn tối ưu cho bộ dữ liệu nghiên cứu 2013–2022.

Xác định yêu cầu nghiên cứu theo mô hình MoSCoW:

  • Must have: Kiểm định hiện tượng đa cộng tuyến qua ma trận tương quan và hệ số VIF (Variance Inflation Factor); Kiểm định lựa chọn mô hình F-test, Hausman test, Breusch-Pagan LM test; Ước lượng FGLS hiệu chỉnh sai số.
  • Should have: Phân tích tác động của biến giả cấu trúc sở hữu Nhà nước ($STA_i$).
  • Could have: Đánh giá biến động độ trễ của rủi ro tín dụng.
  • Won't have: Mô hình hồi quy phi tuyến tính Machine Learning (Random Forest/XGBoost) do mục tiêu tập trung vào giải thích hệ số kinh tế lượng chuẩn mực.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và luồng thực nghiệm kinh tế lượng được thiết kế chuẩn hóa qua 4 tầng:

[TẦNG 1: DỮ LIỆU NGUỒN]
[TẦNG 2: TIỀN XỬ LÝ & LÀM SẠCH]
[TẦNG 3: MÔ HÌNH HÓA KINH TẾ LƯỢNG]
[TẦNG 4: XUẤT KẾT QUẢ & HÀM Ý QUẢN TRỊ]

Technology Stack và công cụ ứng dụng:

  • Hệ điều hành: Windows 11 Enterprise / Linux Ubuntu 22.04 LTS.
  • Phần mềm phân tích chính: Stata 17.0 MP (Multi-Processing 64-bit).
  • Cơ sở dữ liệu: FiinPro Platform v2.0 cung cấp dữ liệu tài chính chuẩn hóa; World Bank Development Indicators.
  • Công cụ hỗ trợ: Microsoft Excel 365 for Enterprise (chuẩn bị dữ liệu bảng long-format).

Đặc tả mô hình toán học và danh mục biến số:

Phương trình hồi quy đa biến có dạng: $$NPL_{it} = \beta_0 + \beta_1 CAP_{it} + \beta_2 GROW_{it} + \beta_3 ROA_{it} + \beta_4 LLR_{it} + \beta_5 SIZE_{it} + \beta_6 GDP_t + \beta_7 INF_t + \beta_8 STA_i + \varepsilon_{it}$$

Bảng giải thích biến số và công thức đo lường:

Ký hiệu biến Tên biến Phân loại Công thức tính toán Kỳ vọng dấu
$NPL_{it}$ Tỷ lệ nợ xấu Phụ thuộc $\frac{\text{Nợ xấu (Nhóm 3+4+5)}}{\text{Tổng dư nợ cho vay}} \times 100%$ N/A
$CAP_{it}$ Tỷ lệ vốn chủ sở hữu Độc lập (Vi mô) $\frac{\text{Vốn chủ sở hữu}}{\text{Tổng tài sản}}$ $(-)$
$GROW_{it}$ Tốc độ tăng trưởng tín dụng Độc lập (Vi mô) $\frac{\text{Dư nợ}{i,t} - \text{Dư nợ}{i,t-1}}{\text{Dư nợ}_{i,t-1}} \times 100%$ $(+)$
$ROA_{it}$ Khả năng sinh lời trên tài sản Độc lập (Vi mô) $\frac{\text{Lợi nhuận sau thuế}}{\text{Tổng tài sản}}$ $(-)$
$LLR_{it}$ Tỷ lệ dự phòng RRTD Độc lập (Vi mô) $\frac{\text{Dự phòng rủi ro tín dụng}}{\text{Tổng dư nợ cho vay}}$ $(+)$
$SIZE_{it}$ Quy mô ngân hàng Độc lập (Vi mô) $\ln(\text{Tổng tài sản})$ $(-)$
$GDP_t$ Tăng trưởng kinh tế Độc lập (Vĩ mô) Tốc độ tăng trưởng GDP thực tế hàng năm $(-)$
$INF_t$ Tỷ lệ lạm phát Độc lập (Vĩ mô) Chỉ số giá tiêu dùng CPI bình quân năm $(+)$
$STA_i$ Sở hữu Nhà nước Độc lập (Đặc thù) Biến giả: 1 nếu có vốn CSH Nhà nước, 0 nếu tư nhân $(-)$

Methodology

Phương pháp nghiên cứu áp dụng quy trình kiểm định kinh tế lượng định lượng nghiêm ngặt:

[Dữ liệu bảng 250 quan sát]

Kế hoạch và lộ trình triển khai nghiên cứu:

  • Tháng 1 - 2/2024: Thu thập BCTC kiểm toán 25 ngân hàng từ FiinPro; làm sạch và chuẩn hóa biến số.
  • Tháng 2 - 3/2024: Lập trình kịch bản Stata do-file, thực hiện thống kê mô tả, kiểm định tương quan.
  • Tháng 3 - 4/2024: Chạy các mô hình OLS/FEM/REM, chẩn đoán khuyết tật mô hình và ước lượng mô hình FGLS.
  • Tháng 4/2024: Phân tích kinh tế, đối chiếu thực nghiệm quốc tế và hoàn thiện luận văn.

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được cấu trúc hóa thông qua kịch bản Stata Do-File tối ưu hóa hiệu năng tính toán:

* ==============================================================================
* KỊCH BẢN PHÂN TÍCH KINH TẾ LƯỢNG RỦI RO TÍN DỤNG NHTM VIỆT NAM (2013-2022)
* Phần mềm: Stata 17.0 MP | Tác giả: Lê Thị Quỳnh Như
* ==============================================================================

clear all
set more off

* 1. Nhập và khai báo cấu trúc dữ liệu bảng
use "data_npl_vietnam_banks_2013_2022.dta", clear
xtset bank_id year

* 2. Thống kê mô tả các biến trong mô hình
summarize npl cap grow roa llr size gdp inf sta

* 3. Phân tích ma trận tương quan và kiểm định đa cộng tuyến
pwcorr npl cap grow roa llr size gdp inf sta, sig star(0.05)
regress npl cap grow roa llr size gdp inf sta
estat vif

* 4. Ước lượng các mô hình cơ sở: OLS, FEM, REM
regress npl cap grow roa llr size gdp inf sta
estimates store POOLED_OLS

xtreg npl cap grow roa llr size gdp inf sta, fe
estimates store FIXED_EFFECTS

xtreg npl cap grow roa llr size gdp inf sta, re
estimates store RANDOM_EFFECTS

* 5. Kiểm định lựa chọn mô hình tối ưu
* F-test (FEM vs OLS)
* Hausman Test (FEM vs REM)
hausman FIXED_EFFECTS RANDOM_EFFECTS

* Breusch and Pagan Lagrangian multiplier test (REM vs OLS)
xttest0

* 6. Kiểm định khuyết tật mô hình
* Kiểm định phương sai sai số thay đổi (Modified Wald test for groupwise heteroskedasticity)
xtreg npl cap grow roa llr size gdp inf sta, fe
xttest3

* Kiểm định tự tương quan (Wooldridge test for autocorrelation in panel data)
xtserial npl cap grow roa llr size gdp inf sta

* 7. Khắc phục khuyết tật bằng Feasible Generalized Least Squares (FGLS)
xtgls npl cap grow roa llr size gdp inf sta, panels(heteroskedastic) corr(ar1)
estimates store FGLS_FINAL

* Xuất bảng kết quả tổng hợp
estimates table POOLED_OLS FIXED_EFFECTS RANDOM_EFFECTS FGLS_FINAL, b(%9.4f) se stats(N r2 chi2)

Testing và validation

Kết quả chẩn đoán mô hình qua các bước kiểm định thống kê cho thấy:

  1. Kiểm định đa cộng tuyến: Hệ số VIF của tất cả các biến độc lập đều nhỏ hơn 3,0 (trung bình VIF = 1,45), loại trừ hoàn toàn nguy cơ đa cộng tuyến nghiêm trọng.
  2. Kiểm định lựa chọn mô hình:
    • Kiểm định $F$-test cho thấy $p\text{-value} < 0,001 \implies$ Mô hình FEM vượt trội so với Pooled OLS.
    • Kiểm định Hausman cho kết quả $p\text{-value} < 0,05 \implies$ Mô hình tác động cố định (FEM) phù hợp hơn REM.
  3. Kiểm định khuyết tật mô hình:
    • Kiểm định Modified Wald ($xttest3$) cho $p\text{-value} = 0,0000 < 0,01 \implies$ Tồn tại hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
    • Kiểm định Wooldridge ($xtserial$) cho $p\text{-value} = 0,0012 < 0,05 \implies$ Xuất hiện hiện tượng tự tương quan bậc 1 AR(1).
  4. Phương pháp khắc phục: Áp dụng hồi quy FGLS với tùy chọn panels(heteroskedastic) corr(ar1) để loại bỏ hoàn toàn sai số chuẩn bị chệch, đảm bảo các ước lượng hệ số đạt tính chất vững và hiệu quả (BLUE).

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng thực nghiệm mô hình FGLS:

| Biến độc lập | Hệ số hồi quy ($\beta$) | Sai số chuẩn (Std. Err.) | Giá trị $z$ | $P > |z|$ | Ý nghĩa thống kê | Chiều tác động | | :--- | :---: | :---: | :---: | :---: | :---: | :---: | | Hệ số chặn ($C$) | 0,0842 | 0,0185 | 4,55 | 0,000 | Có ý nghĩa 1% | N/A | | $CAP$ | -0,0124 | 0,0142 | -0,87 | 0,382 | Không có ý nghĩa | Ngược chiều | | $GROW$ | -0,0186 | 0,0054 | -3,44 | 0,001 | Có ý nghĩa 1% | Ngược chiều (-) | | $ROA$ | -0,3815 | 0,0912 | -4,18 | 0,000 | Có ý nghĩa 1% | Ngược chiều (-) | | $LLR$ | 0,0421 | 0,0285 | 1,48 | 0,140 | Không có ý nghĩa | Cùng chiều | | $SIZE$ | -0,0031 | 0,0009 | -3,44 | 0,001 | Có ý nghĩa 1% | Ngược chiều (-) | | $GDP$ | -0,0210 | 0,0158 | -1,33 | 0,184 | Không có ý nghĩa | Ngược chiều | | $INF$ | 0,0048 | 0,0016 | 3,00 | 0,003 | Có ý nghĩa 1% | Cùng chiều (+) | | $STA$ | -0,0065 | 0,0021 | -3,10 | 0,002 | Có ý nghĩa 1% | Ngược chiều (-) |

Tổng quan kết quả FGLS:

Thảo luận kinh tế chuyên sâu:

  • Khả năng sinh lời ($ROA$): Tác động tiêu cực mạnh nhất đến $NPL$ ($\beta = -0,3815, p = 0,000$). Kết quả này hoàn toàn ủng hộ Lý thuyết Quản lý kém (Bad Management Hypothesis) của Berger & DeYoung (1997). Các ngân hàng có hiệu quả sinh lời cao phản ánh năng lực thẩm định tín dụng xuất sắc và kiểm soát chi phí vận hành chặt chẽ, từ đó hạ thấp tỷ lệ phát sinh nợ xấu.
  • Tốc độ tăng trưởng tín dụng ($GROW$): Tác động ngược chiều ($\beta = -0,0186, p = 0,001$). Trong giai đoạn 2013–2022, việc mở rộng tín dụng hợp lý giúp doanh nghiệp tiếp cận nguồn vốn kịp thời để duy trì thanh khoản và mở rộng sản xuất kinh doanh, cải thiện khả năng trả nợ, đồng thời làm tăng quy mô mẫu số của tỷ lệ $NPL$.
  • Quy mô ngân hàng ($SIZE$): Tác động nghịch biến ($\beta = -0,0031, p = 0,001$). Các ngân hàng quy mô lớn sở hữu lợi thế về công nghệ giám sát, nguồn vốn đầu tư hệ thống chấm điểm tín dụng tự động và khả năng đa dạng hóa danh mục cho vay theo ngành nghề/địa lý để giảm thiểu rủi ro phi hệ thống.
  • Sở hữu Nhà nước ($STA$): Tác động nghịch biến có ý nghĩa cao ($\beta = -0,0065, p = 0,002$). Nhóm NHTMCP có vốn Nhà nước (Vietcombank, BIDV, VietinBank, Agribank) duy trì quy trình xét duyệt tín dụng thận trọng, tập trung vào các dự án trọng điểm quốc gia có độ an toàn cao và được hưởng lợi từ sự ổn định dòng tiền của các tập đoàn Nhà nước.
  • Tỷ lệ lạm phát ($INF$): Tác động cùng chiều ($\beta = 0,0048, p = 0,003$). Khi lạm phát gia tăng, chi phí đầu vào của doanh nghiệp tăng cao và thu nhập thực tế của người vay sụt giảm, dẫn đến khả năng thanh toán nợ suy yếu và làm tăng nợ xấu.

Đổi mới và đóng góp

Nghiên cứu mang lại những giá trị học thuật và ứng dụng rõ rệt so với các công trình trước đây:

SO SÁNH ĐÓNG GÓP HỌC THUẬT:
  1. Bổ sung biến cấu trúc sở hữu Nhà nước ($STA$): Khắc phục khoảng trống của phần lớn nghiên cứu trong nước (như Ngô Trường Đức, 2023; Nguyễn Thị Thiều Quang, 2023) khi chưa lượng hóa được vai trò của cổ đông Nhà nước trong kiểm soát nợ xấu.
  2. Bộ dữ liệu 10 năm chuẩn hóa cao: 250 quan sát từ 25 NHTMCP cung cấp mẫu đại diện vững chắc cho hệ thống ngân hàng Việt Nam trong thời kỳ tái cơ cấu hệ thống tài chính 2013–2022.
  3. Kỹ thuật ước lượng FGLS vững: Giải quyết hoàn toàn hiện tượng phương sai thay đổi và tự tương quan thường gặp trong dữ liệu chuỗi thời gian của các tổ chức tài chính.

Ứng dụng thực tế và triển khai

Dựa trên các hệ số kinh tế lượng thu được, hệ thống ngân hàng thương mại và cơ quan quản lý có thể triển khai khung chính sách sau:

KHUNG CHIẾN LƯỢC QUẢN TRỊ RỦI RO TÍN DỤNG DỰA TRÊN KẾT QUẢ ĐỊNH LƯỢNG:

                                 và áp dụng đa dạng hóa danh mục theo Basel III.
  
                                 giảm chi phí vận hành và sai sót chủ quan.

                                 vào mô hình dự báo dòng tiền khách hàng vay.

                                 của nhóm NHTM Nhà nước cho nhóm NHTMCP tư nhân.

Lộ trình triển khai khuyến nghị:

  • Giai đoạn 1 (0 - 6 tháng): Rà soát hệ thống xếp hạng tín dụng nội bộ, tích hợp cảnh báo sớm khi chỉ số lạm phát $INF$ vượt ngưỡng 4%/năm.
  • Giai đoạn 2 (6 - 18 tháng): Tăng cường đầu tư hệ thống ngân hàng lõi (Core Banking) và phân tích dữ liệu lớn để mở rộng quy mô hoạt động an toàn, tận dụng hiệu ứng kinh tế nhờ quy mô ($SIZE$).
  • Giai đoạn 3 (18 - 36 tháng): Tối ưu hóa cấu trúc vốn và danh mục cho vay nhằm nâng cao chỉ số $ROA$ bền vững, không dựa vào nới lỏng chuẩn tín dụng.

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mô hình nghiên cứu sử dụng dữ liệu tĩnh dạng năm, chưa phản ánh được các biến động theo quý hoặc theo tháng. Đồng thời, chỉ tiêu nợ xấu chưa bao gồm các khoản nợ tiềm ẩn đã được cơ cấu lại thời hạn trả nợ theo các Thông tư đặc thù của NHNN.
  • Hướng mở rộng tiếp theo:
    1. Ứng dụng phương pháp hồi quy GMM hai bước (System GMM) để xử lý biến trễ nợ xấu $NPL_{i,t-1}$ và kiểm soát triệt để tính nội sinh.
    2. Bổ sung các chỉ tiêu phi tài chính: Tỷ lệ số hóa ngân hàng (Digital Banking Index), Tỷ lệ bao phủ nợ xấu (Loan Loss Coverage - LLC), và các chỉ số quản trị ESG.
    3. Kết hợp các thuật toán Machine Learning (LightGBM, Survival Analysis) trong việc dự báo xác suất vỡ nợ (Probability of Default - PD).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo mẫu mực về cấu trúc khóa luận định lượng kinh tế lượng tài chính, quy trình chạy Stata 17 và cách viết báo cáo học thuật chuẩn.
  • Chuyên viên phân tích dữ liệu / Risk Modeler tại ngân hàng: Tham khảo bộ biến số vi mô - vĩ mô và phương pháp khắc phục khuyết tật mô hình FGLS trong xây dựng mô hình dự báo rủi ro tín dụng.
  • Ban lãnh đạo NHTM: Căn cứ thực chứng để cân đối chiến lược mở rộng quy mô, tăng trưởng tín dụng và nâng cao hiệu quả sinh lời gắn liền với an toàn vốn.
  • Cơ quan quản lý (NHNN): Bằng chứng khoa học phục vụ điều hành chính sách tiền tệ, kiểm soát chỉ tiêu tăng trưởng tín dụng (room tín dụng) và giám sát nợ xấu hệ thống.

Câu hỏi thường gặp

1. Tại sao nghiên cứu lại chọn FGLS thay vì giữ nguyên mô hình FEM sau khi kiểm định Hausman?

Kiểm định Hausman ($p < 0,05$) xác nhận FEM phù hợp hơn REM. Tuy nhiên, dữ liệu bảng 25 ngân hàng trong 10 năm vi phạm giả định quan trọng: xuất hiện phương sai sai số thay đổi ($xttest3, p = 0,0000$) và tự tương quan bậc 1 ($xtserial, p = 0,0012$). Mô hình FGLS cho phép ước lượng ma trận hiệp phương sai có cấu trúc đặc biệt, giúp khắc phục hoàn toàn hai khuyết tật này để tạo ra các hệ số ước lượng không chệch và hiệu quả.

2. Ý nghĩa của việc tốc độ tăng trưởng tín dụng (GROW) tác động nghịch biến đến nợ xấu?

Trong ngắn hạn và trung hạn tại nền kinh tế đang phát triển như Việt Nam (2013–2022), tăng trưởng tín dụng giúp cung cấp vốn lưu động kịp thời cho doanh nghiệp, thúc đẩy sản xuất và tăng khả năng trả nợ. Ngoài ra, về mặt toán học, tăng trưởng dư nợ làm tăng mẫu số của tỷ lệ $NPL = \frac{\text{Nợ xấu}}{\text{Tổng dư nợ}}$, từ đó làm giảm tỷ lệ nợ xấu trong giai đoạn mở rộng tín dụng.

3. Biến giả Sở hữu Nhà nước (STA) được mã hóa như thế nào?

Biến $STA$ nhận giá trị bằng 1 đối với các ngân hàng thương mại có tỷ lệ sở hữu vốn của Nhà nước (hoặc cổ đông Nhà nước chi phối) và nhận giá trị bằng 0 đối với các ngân hàng hoàn toàn thuộc sở hữu tư nhân.

4. Phần mềm Stata 17 có ưu thế gì trong nghiên cứu này?

Stata 17 MP hỗ trợ các gói lệnh kiểm định bảng chuyên sâu (xttest3, xtserial, xtgls) với tốc độ xử lý ma trận dữ liệu bảng lớn nhanh chóng, cung cấp đầu ra thống kê chuẩn xác phục vụ trực tiếp cho các kiểm định kinh tế lượng tài chính.

5. Kết quả nghiên cứu có thể áp dụng cho các tổ chức tài chính vi mô không?

Khung phân tích có thể mở rộng cho các tổ chức tài chính vi mô, tuy nhiên các trọng số hệ số $\beta$ cần được ước lượng lại do nhóm tài chính vi mô có đặc thù tệp khách hàng, quy mô vốn và cơ chế quản lý rủi ro khác biệt so với NHTM.

Kết luận

Khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến rủi ro tín dụng của hệ thống Ngân hàng thương mại Việt Nam" của tác giả Lê Thị Quỳnh Như đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra. Thông qua phương pháp nghiên cứu định lượng chuẩn mực với mô hình FGLS trên tập dữ liệu 25 NHTMCP (2013–2022), đề tài đã chứng minh một cách khoa học rằng: Tỷ lệ lạm phát ($INF$) thúc đẩy rủi ro tín dụng gia tăng; trong khi năng lực sinh lời ($ROA$), tốc độ tăng trưởng tín dụng ($GROW$), quy mô ngân hàng ($SIZE$) và sở hữu Nhà nước ($STA$) là các nhân tố then chốt giúp kiềm chế tỷ lệ nợ xấu.

Công trình không chỉ đóng góp thêm bằng chứng thực nghiệm quan trọng cho lý thuyết tài chính ngân hàng tại các thị trường mới nổi mà còn cung cấp hệ thống khuyến nghị chính sách có giá trị thực tiễn cao cho các nhà quản trị ngân hàng và Ngân hàng Nhà nước Việt Nam trong kỷ nguyên quản trị rủi ro hiện đại.