Các Yếu Tố Tác Động Đến Nợ Xấu Của Ngân Hàng Thương Mại Cổ Phần Việt Nam

Tài liệu nghiên cứu Các yếu tố tác động đến nợ xấu của ngân hàng thương mại cổ phần việt nam 2023, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kinh tế.

• Tác giả: Nguyễn Bích Khuê
• Người hướng dẫn: TS. Hồ Công Hưởng
• Trường học: Trường Đại Học Ngân Hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Các Yếu Tố Tác Động Đến Nợ Xấu 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
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu và câu hỏi nghiên cứu
• 1.2.1. Mục tiêu tổng quát
• 1.2.2. Mục tiêu cụ thể
• 1.2.3. Câu hỏi nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.4. Phương pháp và dữ liệu nghiên cứu
• 1.4.1. Phương pháp định tính
• 1.4.2. Phương pháp định lượng
• 1.5. Đóng góp của đề tài
• 1.6. Kết cấu của nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ LƯỢC KHẢO CÁC TÀI LIỆU NGHIÊN CỨU CÓ LIÊN QUAN
• 2.1. Cơ sở lý thuyết về nợ xấu
• 2.1.1. Khái niệm nợ xấu
• 2.1.2. Phân loại nợ và phương pháp đánh giá nợ xấu
• 2.1.3. Các tác động của nợ xấu
• 2.1.3.1. Tác động của nợ xấu đối với ngân hàng
• 2.1.3.2. Tác động của nợ xấu đối với chủ thể vay vốn
• 2.1.3.3. Tác động của nợ xấu đối với nền kinh tế
• 2.2. Lược khảo nghiên cứu thực nghiệm trước
• 2.2.1. Nghiên cứu trên thế giới
• 2.2.2. Nghiên cứu tại Việt Nam
• 2.2.3. Thảo luận các nghiên cứu trước đây
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Quy trình nghiên cứu
• 3.2. Mô hình nghiên cứu và các giả thuyết nghiên cứu
• 3.2.1. Mô hình chung
• 3.2.2. Giải thích các biến trong mô hình nghiên cứu và xây dựng giả thuyết nghiên cứu
• 3.3. Dữ liệu nghiên cứu
• 3.4. Phương pháp nghiên cứu
• 3.4.1. Phương pháp định tính
• 3.4.2. Phương pháp định lượng
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 4.1. Thống kê mô tả
• 4.2. Phân tích tương quan mô hình nghiên cứu
• 4.3. Kiểm định hiện tượng đa cộng tuyến
• 4.4. Phân tích hồi quy
• 4.4.1. Mô hình hồi quy gộp (Pooled OLS)
• 4.4.2. Mô hình tác động cố định và mô hình tác động ngẫu nhiên
• 4.4.3. Ước lượng mô hình theo phương pháp FGLS
• 4.5. Thảo luận kết quả nghiên cứu
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HÀM Ý CHÍNH SÁCH
• 5.1. Hàm ý chính sách
• 5.2. Hạn chế của nghiên cứu
• 5.3. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• DANH MỤC CHỮ VIẾT TẮT
• DANH MỤC KÝ HIỆU CÁC BIẾN
• DANH MỤC BẢNG

Tóm tắt

I. Tổng Quan Về Nợ Xấu Ngân Hàng Việt Nam Thực Trạng Thách Thức

An ninh tài chính quốc gia đóng vai trò then chốt trong việc thúc đẩy tăng trưởng kinh tế và ổn định xã hội. Nợ xấu, khi tăng cao, có thể ảnh hưởng tiêu cực đến các mục tiêu tài chính quan trọng của quốc gia. Ngành ngân hàng, huyết mạch tài chính của đất nước, luôn đối mặt với rủi ro nợ xấu phát sinh từ hoạt động tín dụng. Kiểm soát tỷ lệ nợ xấu là ưu tiên hàng đầu của các NHTMCP. Tại Việt Nam, sau hơn một thập kỷ nỗ lực tái cơ cấu và xử lý nợ xấu, vấn đề này vẫn còn nhiều thách thức. Tỷ lệ nợ xấu đã có những giai đoạn tăng giảm, đặc biệt chịu ảnh hưởng bởi đại dịch COVID-19. Thông tư 14 hết hiệu lực làm gia tăng rủi ro nợ xấu khi các khoản nợ tái cơ cấu được chuyển về đúng nhóm nợ thực tế. Lĩnh vực bất động sản cũng đang đối mặt với nhiều khó khăn, ảnh hưởng đến chất lượng tín dụng của các ngân hàng. Do đó, việc duy trì sự ổn định của thị trường tài chính và giảm tỷ lệ nợ xấu là một thách thức lớn. Vì vậy, nghiên cứu về các yếu tố tác động đến nợ xấu của NHTMCP Việt Nam là vô cùng cần thiết. Karim và cộng sự (2011) nhấn mạnh tầm quan trọng của việc xem xét nợ xấu để đánh giá hiệu quả hoạt động của ngân hàng sau cuộc suy thoái 2008. Việc nghiên cứu nhằm xây dựng các chiến lược ứng phó phù hợp với các cuộc khủng hoảng tài chính trong tương lai.

1.1. Thực Trạng Nợ Xấu tại Các Ngân Hàng Thương Mại Cổ Phần

Đến cuối năm 2011, tỷ lệ nợ xấu đạt 3,6-3,8% trên tổng dư nợ tín dụng, tăng lên 4,08% vào cuối năm 2012 (NHNN, 2016). Sau đó, nhờ Nghị quyết 42/2017/QH14 và Quyết định 1058/QĐ-TTg, tỷ lệ nợ xấu giảm xuống dưới 2% vào năm 2018-2019. Tuy nhiên, đại dịch COVID-19 đã làm gia tăng rủi ro nợ xấu. Mặc dù Thông tư 14/2021/TT-NHNN hỗ trợ, nhưng sau khi hết hiệu lực vào 30/06/2022, nợ xấu tăng mạnh. Kết thúc năm 2022, tỷ lệ nợ xấu nội bảng tăng lên 1,92%, tỷ lệ nợ xấu gộp khoảng 4,5% (Tiêu Phong và Lê Quân, 2023). Thị trường bất động sản gặp khó khăn càng làm gia tăng áp lực nợ xấu cho các ngân hàng.

1.2. Vai Trò của Quản Trị Rủi Ro Tín Dụng trong Kiểm Soát Nợ Xấu

Các ngân hàng ở Việt Nam chú trọng quản trị rủi ro và nghiên cứu kỹ lưỡng vấn đề nợ xấu bên cạnh việc thúc đẩy hoạt động tín dụng. Mục tiêu là duy trì tỷ lệ nợ xấu ở mức an toàn và tìm ra giải pháp phù hợp. Vấn đề thanh khoản cần lưu ý để đáp ứng nhu cầu rút tiền của người gửi bất kỳ lúc nào (Tobin, 1880). Các tổ chức phải dự trữ tài sản cho nhu cầu thanh khoản. Nghiên cứu của Salas và Saurina (2002) hay Ghosh (2015) cũng đề cập đến các yếu tố vi mô như tỷ lệ trích lập dự phòng, tốc độ tăng trưởng tín dụng, ROE và quy mô ngân hàng tác động đến nợ xấu.

II. Cách Xác Định Nợ Xấu Phân Loại Tác Động Đến Ngân Hàng

Nợ xấu là yếu tố quan trọng đánh giá mối tương quan giữa lợi nhuận và rủi ro tín dụng. Các thuật ngữ như Non-Performing Loan (NPL), bad debt, doubtful debt được sử dụng rộng rãi để mô tả nợ xấu. Theo BCBS (2006), khoản vay được xem là mất khả năng thanh toán nếu bên vay không thể trả toàn bộ khoản vay hoặc quá hạn thanh toán trên 90 ngày. BCBS cũng chú ý đến "tổn thất có thể xảy ra trong tương lai" khi định giá khoản vay. Hội đồng Chuẩn mực Kế toán quốc tế (IASB) (2004) yêu cầu ngân hàng xử lý nợ xấu phải thu thập dữ liệu khách quan. Khi giá trị khoản nợ giảm, tài sản bị suy giảm do chất lượng nợ xấu. IASB đánh giá cao khả năng trả nợ hơn thời gian quá hạn. IMF (2019) định nghĩa nợ xấu là các khoản vay quá hạn thanh toán gốc/lãi, có khả năng người vay không trả được nợ đầy đủ.

2.1. Phân Loại Nợ Xấu Theo Quy Định Của Ngân Hàng Nhà Nước

Thông tư 11/2021/TT-NHNN quy định về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng. Nợ được chia thành 5 nhóm: Nhóm 1 (Nợ đủ tiêu chuẩn), Nhóm 2 (Nợ cần chú ý), Nhóm 3 (Nợ dưới tiêu chuẩn), Nhóm 4 (Nợ nghi ngờ), và Nhóm 5 (Nợ có khả năng mất vốn). Nợ xấu bao gồm các khoản nợ thuộc Nhóm 3, Nhóm 4 và Nhóm 5. Việc phân loại này giúp các ngân hàng đánh giá chính xác tình trạng nợ xấu và có biện pháp xử lý phù hợp.

2.2. Tác Động Tiêu Cực của Nợ Xấu Đến Hoạt Động Ngân Hàng

Nợ xấu ảnh hưởng đến lợi nhuận ngân hàng do làm giảm thu nhập từ lãi và tăng chi phí dự phòng rủi ro. Nó còn ảnh hưởng đến uy tín và khả năng huy động vốn của ngân hàng. Nợ xấu làm giảm hiệu quả sử dụng vốn và có thể dẫn đến tình trạng mất thanh khoản. Ngoài ra, nợ xấu còn gây ảnh hưởng đến tăng trưởng tín dụng, vì ngân hàng sẽ thận trọng hơn trong việc cho vay.

2.3. Ảnh Hưởng Của Nợ Xấu Đến Chủ Thể Vay Vốn và Nền Kinh Tế

Đối với chủ thể vay vốn, nợ xấu gây khó khăn trong việc tiếp cận các nguồn vốn vay mới và ảnh hưởng đến uy tín tín dụng. Đối với nền kinh tế, nợ xấu có thể làm chậm tăng trưởng kinh tế, gây bất ổn tài chính và ảnh hưởng đến niềm tin của nhà đầu tư. Quản lý nợ xấu hiệu quả là rất quan trọng để đảm bảo sự ổn định và phát triển bền vững của nền kinh tế.

III. Các Yếu Tố Vi Mô Tác Động Đến Nợ Xấu Phân Tích Đánh Giá

Nhiều nghiên cứu đã xác định các yếu tố vi mô ảnh hưởng đến nợ xấu. Tỷ lệ trích lập dự phòng rủi ro tín dụng (LLR), tỷ lệ vốn chủ sở hữu trên tổng tài sản (ETA), quy mô ngân hàng (SIZE), khả năng sinh lời (ROA) và tốc độ tăng trưởng tín dụng (LGR) là những yếu tố quan trọng. Các yếu tố này phản ánh khả năng quản lý rủi ro, mức độ an toàn vốn, hiệu quả hoạt động và chính sách tín dụng của ngân hàng. Việc phân tích các yếu tố này giúp đánh giá sức khỏe tài chính và khả năng chống chịu rủi ro của NHTMCP. Các yếu tố này còn giúp nhà quản lý đưa ra các biện pháp phòng ngừa và xử lý nợ xấu hiệu quả.

3.1. Tác Động của Tỷ Lệ Trích Lập Dự Phòng Rủi Ro Tín Dụng LLR

Tỷ lệ trích lập dự phòng rủi ro tín dụng (LLR) thể hiện khả năng của ngân hàng trong việc bù đắp các khoản nợ xấu tiềm ẩn. Một LLR cao cho thấy ngân hàng có sự chuẩn bị tốt để đối phó với nợ xấu. Tuy nhiên, LLR quá cao có thể làm giảm lợi nhuận của ngân hàng. Do đó, ngân hàng cần duy trì một mức LLR hợp lý để cân bằng giữa việc đảm bảo an toàn và tối đa hóa lợi nhuận. Nghiên cứu của Đào Lê Kiều Oanh và cộng sự (2020) và Trần Vương Thịnh và Nguyễn Ngọc Hồng Loan (2021) đều cho thấy vai trò quan trọng của LLR trong việc kiểm soát nợ xấu.

3.2. Ảnh Hưởng của Tỷ Lệ Vốn Chủ Sở Hữu Trên Tổng Tài Sản ETA

Tỷ lệ vốn chủ sở hữu trên tổng tài sản (ETA) phản ánh mức độ an toàn vốn của ngân hàng. Một ETA cao cho thấy ngân hàng có khả năng chống chịu rủi ro tốt hơn. ETA giúp ngân hàng hấp thụ các khoản lỗ từ nợ xấu mà không ảnh hưởng đến hoạt động kinh doanh. Tuy nhiên, ETA quá cao có thể làm giảm hiệu quả sử dụng vốn của ngân hàng. Ngân hàng cần duy trì một mức ETA phù hợp với quy mô và mức độ rủi ro của hoạt động.

3.3. Mối Quan Hệ Giữa Quy Mô Ngân Hàng SIZE và Nợ Xấu

Quy mô ngân hàng (SIZE) có thể tác động đến nợ xấu theo hai hướng. Một mặt, các ngân hàng lớn có thể có hệ thống quản lý rủi ro tốt hơn và khả năng đa dạng hóa danh mục cho vay cao hơn, giúp giảm thiểu rủi ro nợ xấu. Mặt khác, các ngân hàng lớn có thể có xu hướng cho vay mạo hiểm hơn để tăng trưởng, dẫn đến rủi ro nợ xấu cao hơn. Do đó, tác động của SIZE đến nợ xấu là không rõ ràng và cần được xem xét trong bối cảnh cụ thể.

IV. Yếu Tố Vĩ Mô Tác Động Nợ Xấu Lạm Phát GDP Tăng Trưởng Tín Dụng

Các yếu tố vĩ mô như tỷ lệ lạm phát (INF), tăng trưởng GDP (GDP) và tăng trưởng tín dụng (LGR) cũng có thể ảnh hưởng đến nợ xấu. Lạm phát cao có thể làm giảm khả năng trả nợ của người vay, dẫn đến tăng nợ xấu. Tăng trưởng GDP chậm có thể làm giảm thu nhập của doanh nghiệp và cá nhân, cũng làm tăng nợ xấu. Tăng trưởng tín dụng quá nhanh có thể dẫn đến việc nới lỏng tiêu chuẩn cho vay, làm tăng rủi ro nợ xấu.

4.1. Ảnh Hưởng Của Lạm Phát INF Đến Khả Năng Trả Nợ

Lạm phát (INF) làm giảm giá trị thực của thu nhập và tài sản, làm giảm khả năng trả nợ của người vay. Khi lạm phát tăng cao, người vay có thể gặp khó khăn trong việc duy trì mức sống và trả nợ đúng hạn. Lạm phát cũng có thể làm tăng chi phí sản xuất của doanh nghiệp, làm giảm lợi nhuận và khả năng trả nợ. Ngân hàng cần theo dõi sát diễn biến lạm phát để điều chỉnh chính sách tín dụng phù hợp.

4.2. Tác Động Của Tăng Trưởng GDP GDP Đến Chất Lượng Tín Dụng

Tăng trưởng GDP (GDP) tạo ra việc làm và thu nhập, làm tăng khả năng trả nợ của người vay. Khi nền kinh tế tăng trưởng, doanh nghiệp có nhiều cơ hội kinh doanh và tạo ra lợi nhuận, cá nhân có việc làm và thu nhập ổn định. Điều này giúp cải thiện khả năng trả nợ và giảm rủi ro nợ xấu. Ngân hàng cần hỗ trợ các doanh nghiệp và cá nhân có khả năng tạo ra giá trị gia tăng cho nền kinh tế để thúc đẩy tăng trưởng GDP và cải thiện chất lượng tín dụng.

4.3. Rủi Ro Từ Tăng Trưởng Tín Dụng LGR Quá Nóng

Tăng trưởng tín dụng (LGR) quá nhanh có thể dẫn đến việc nới lỏng tiêu chuẩn cho vay, làm tăng rủi ro nợ xấu. Khi ngân hàng cạnh tranh để tăng trưởng tín dụng, họ có thể chấp nhận rủi ro cao hơn và cho vay những đối tượng không đủ điều kiện. Điều này làm tăng khả năng nợ xấu phát sinh trong tương lai. NHNN cần kiểm soát tăng trưởng tín dụng một cách chặt chẽ để đảm bảo an toàn hệ thống.

V. Ứng Dụng Kết Quả Nghiên Cứu Hàm Ý Chính Sách Quản Trị Rủi Ro

Kết quả nghiên cứu về các yếu tố tác động đến nợ xấu có ý nghĩa quan trọng trong việc xây dựng các chính sách và biện pháp quản trị rủi ro hiệu quả. Ngân hàng có thể sử dụng kết quả nghiên cứu để điều chỉnh chính sách tín dụng, quản lý rủi ro và cải thiện hiệu quả hoạt động. Nhà nước có thể sử dụng kết quả nghiên cứu để điều chỉnh chính sách vĩ mô, hỗ trợ doanh nghiệp và đảm bảo an toàn hệ thống tài chính.

5.1. Hàm Ý Chính Sách Đối Với Ngân Hàng Nhà Nước

NHNN cần kiểm soát tăng trưởng tín dụng một cách chặt chẽ, đảm bảo an toàn hệ thống tài chính. NHNN cần tăng cường giám sát hoạt động của các ngân hàng, đặc biệt là trong lĩnh vực tín dụng. NHNN cần có các biện pháp hỗ trợ doanh nghiệp, giúp họ vượt qua khó khăn và duy trì khả năng trả nợ.

5.2. Biện Pháp Quản Trị Rủi Ro Tín Dụng Hiệu Quả Cho NHTMCP

NHTMCP cần xây dựng hệ thống quản lý rủi ro tín dụng hiệu quả, từ khâu thẩm định đến khâu giám sát và thu hồi nợ. NHTMCP cần đa dạng hóa danh mục cho vay, tránh tập trung vào một số ít lĩnh vực hoặc khách hàng. NHTMCP cần tăng cường trích lập dự phòng rủi ro tín dụng, đảm bảo khả năng bù đắp các khoản nợ xấu tiềm ẩn.

VI. Kết Luận Về Nợ Xấu Hướng Nghiên Cứu Triển Vọng Tương Lai

Nghiên cứu về các yếu tố tác động đến nợ xấu của NHTMCP Việt Nam là một chủ đề quan trọng và có ý nghĩa thực tiễn cao. Kết quả nghiên cứu cung cấp cơ sở khoa học cho việc xây dựng các chính sách và biện pháp quản trị rủi ro hiệu quả, góp phần đảm bảo sự ổn định và phát triển bền vững của hệ thống tài chính. Tuy nhiên, nghiên cứu này vẫn còn một số hạn chế và cần được tiếp tục phát triển trong tương lai. Cần có thêm nhiều nghiên cứu để xác định các yếu tố tác động đến nợ xấu trong bối cảnh mới, với các phương pháp phân tích hiện đại hơn.

6.1. Hạn Chế Của Nghiên Cứu và Đề Xuất Hướng Nghiên Cứu Tiếp Theo

Nghiên cứu này chỉ tập trung vào một số yếu tố chính và chưa xem xét đến các yếu tố khác như yếu tố pháp lý, yếu tố quản trị ngân hàng và yếu tố cạnh tranh. Nghiên cứu sử dụng dữ liệu trong quá khứ và chưa dự báo được các tác động của các sự kiện trong tương lai. Do đó, cần có thêm nhiều nghiên cứu để khắc phục các hạn chế này và đưa ra các giải pháp toàn diện hơn.

6.2. Triển Vọng Ứng Dụng Nghiên Cứu Nợ Xấu Trong Tương Lai

Kết quả nghiên cứu có thể được sử dụng để xây dựng các mô hình dự báo nợ xấu, giúp các ngân hàng và nhà quản lý chủ động hơn trong việc đối phó với rủi ro. Kết quả nghiên cứu có thể được sử dụng để đánh giá hiệu quả của các chính sách và biện pháp quản trị rủi ro hiện hành. Kết quả nghiên cứu có thể được sử dụng để đào tạo và nâng cao năng lực cho cán bộ ngân hàng trong lĩnh vực quản trị rủi ro tín dụng.

Nội dung chính

Giới thiệu dự án

An ninh tài chính quốc gia đóng vai trò xương sống trong việc ổn định kinh tế vĩ mô và duy trì tốc độ tăng trưởng bền vững. Trong hệ thống tài chính, ngân hàng thương mại (NHTM) giữ vai trò huyết mạch luân chuyển vốn. Tuy nhiên, hoạt động tín dụng luôn đi kèm rủi ro nợ xấu (Non-Performing Loans - NPL). Khi nợ xấu gia tăng, thanh khoản hệ thống bị đe dọa, chi phí vốn bị đẩy lên cao và dòng tiền chảy vào nền kinh tế bị ách tắc.

Tại Việt Nam, kết thúc năm tài chính 2022, tỷ lệ nợ xấu nội bảng của toàn hệ thống ngân hàng chạm mốc 1,92%, trong khi tỷ lệ nợ xấu gộp (bao gồm nợ tiềm ẩn và nợ đã bán cho VAMC) ước tính lên tới 4,5% (theo số liệu từ Ngân hàng Nhà nước - NHNN). Đặc biệt, giai đoạn 2020–2022 chứng kiến những biến động phức tạp do đại dịch COVID-19, sự đóng băng của thị trường bất động sản (chiếm khoảng 21% tổng dư nợ toàn hệ thống) và tác động từ việc hết hiệu lực của Thông tư 14/2021/TT-NHNN vào ngày 30/06/2022 khiến các khoản nợ tái cơ cấu chuyển dần về đúng nhóm nợ thực tế.

Vấn đề nghiên cứu cụ thể

Các ngân hàng thương mại cổ phần (NHTMCP) đối mặt với bài toán tối ưu hóa tăng trưởng tín dụng đi đôi với kiểm soát chất lượng tài sản. Vấn đề cốt lõi là việc nhận diện thiếu đồng bộ giữa các yếu tố nội tại ngân hàng (vi mô) và biến động kinh tế vĩ mô, dẫn đến việc thiết lập tỷ lệ trích lập dự phòng không phản ánh đúng rủi ro suy giảm chất lượng tín dụng trong các chu kỳ suy thoái hoặc biến động chính sách.

Mục tiêu của dự án

1. Nhận diện và phân loại hệ thống các nhân tố vi mô (đặc thù ngân hàng) và vĩ mô tác động đến tỷ lệ nợ xấu của 24 NHTMCP Việt Nam.
2. Lượng hóa mức độ và chiều hướng tác động của từng biến số thông qua mô hình kinh tế lượng dữ liệu bảng (Panel Data Regression), khắc phục triệt để hiện tượng phương sai sai số thay đổi và tự tương quan.
3. Đề xuất khung hàm ý chính sách và giải pháp thực thi giúp các NHTMCP nâng cao năng lực quản trị rủi ro tín dụng theo chuẩn mực Basel II/III và Thông tư 11/2021/TT-NHNN.

Phương pháp tiếp cận giải pháp

Đề tài áp dụng phương pháp định lượng hồi quy dữ liệu bảng kết hợp giữa dữ liệu vi mô trích xuất từ Báo cáo tài chính (BCTC) đã kiểm toán của 24 NHTMCP và dữ liệu vĩ mô từ Ngân hàng Thế giới (World Bank), Tổng cục Thống kê và Quỹ Tiền tệ Quốc tế (IMF). Quy trình kiểm định nghiêm ngặt từ Pooled OLS, FEM (Fixed Effects Model), REM (Random Effects Model) đến FGLS (Feasible Generalized Least Squares) được thực hiện nhằm triệt tiêu khuyết tật mô hình, đảm bảo tính không chệch và hiệu quả của các ước lượng.

Phạm vi và giới hạn nghiên cứu

• Đối tượng nghiên cứu: Các yếu tố vi mô và vĩ mô tác động đến tỷ lệ nợ xấu (NPL).
• Không gian khảo sát: 24 NHTMCP tại Việt Nam duy trì hoạt động liên tục và công bố minh bạch BCTC kiểm toán giai đoạn 2012–2022.
• Thời gian nghiên cứu: 11 năm (2012 – 2022), bao gồm 253 quan sát dữ liệu bảng cân bằng/không cân bằng có kiểm soát.
• Giới hạn: Nghiên cứu tập trung vào nợ xấu nội bảng (nhóm 3, 4, 5 theo Thông tư 11/2021/TT-NHNN), chưa tính toán dòng nợ ngoại bảng chuyển giao qua các tổ chức xử lý nợ độc lập.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

So sánh các cách tiếp cận nghiên cứu kinh tế lượng

Trước đây, việc phân tích nợ xấu ngân hàng thường áp dụng một trong các phương pháp sau:

Phương pháp	Ưu điểm	Nhược điểm	Đánh giá tính phù hợp
Time-series OLS (Chuỗi thời gian)	Đơn giản, phản ánh xu hướng toàn ngành theo chu kỳ	Bỏ qua sự khác biệt đặc thù giữa các ngân hàng, kích thước mẫu nhỏ	Không phù hợp với dữ liệu đa ngân hàng
Pooled OLS (Hồi quy gộp)	Tăng bậc tự do nhờ gộp nhiều đối tượng và mốc thời gian	Giả định hệ số chặn đồng nhất giữa các ngân hàng, gây chệch nghiêm trọng	Chỉ dùng làm bước tham chiếu ban đầu
FEM / REM (Tác động cố định / ngẫu nhiên)	Kiểm soát được các đặc tính riêng biệt bất biến theo thời gian của từng ngân hàng	Bị vi phạm khi có hiện tượng tự tương quan và phương sai sai số thay đổi	Cần bước kiểm định bổ sung
FGLS (Ước lượng GLS khả thi)	Hiệu chỉnh hoàn toàn phương sai sai số thay đổi giữa các thực thể và tự tương quan bậc 1	Phức tạp trong tính toán ma trận hiệp phương sai	Phương pháp tối ưu được chọn

Yêu cầu phân tích và chuẩn hóa dữ liệu theo chuẩn MoSCoW

• Must-Have (Bắt buộc có):
  • Thu thập đủ 8 biến số độc lập (5 vi mô: SIZE, ROA, LLR, LGR, ETA; 3 vĩ mô: GDP, INF, UNT) và 1 biến phụ thuộc (NPL) trên 24 ngân hàng giai đoạn 2012–2022.
  • Kiểm tra đa cộng tuyến qua ma trận hệ số tương quan Pearson và hệ số VIF (Variance Inflation Factor).
  • Thực hiện kiểm định Hausman để lựa chọn giữa FEM và REM.
• Should-Have (Nên có): Kiểm định khuyết tật Modified Wald (Heteroskedasticity) và Wooldridge Test (Autocorrelation).
• Could-Have (Có thể có): Phân tích so sánh tác động giữa nhóm ngân hàng có vốn nhà nước chi phối ("Big4") và ngân hàng thương mại tư nhân.
• Won't-Have (Tạm thời chưa triển khai): Xây dựng mạng nơ-ron học sâu (Deep Neural Networks) phi cấu trúc cho văn bản ghi chú BCTC.

Thiết kế hệ thống

Cấu trúc luồng xử lý và mô hình phân tích (Mermaid Diagram)

flowchart TD
    A[BCTC 24 NHTMCP 2012-2022] --> D[Tiền xử lý & Chuẩn hóa Dữ liệu]
    B[World Bank / GSO Data] --> D
    C[IMF Macro Indicators] --> D
    
    D --> E[Thống kê mô tả & Ma trận tương quan]
    E --> F[Hồi quy Pooled OLS]
    F --> G[Hồi quy FEM & REM]
    G --> H{Kiểm định Hausman}
    
    H -- p < 0.05 --> I[Chọn Mô hình FEM]
    H -- p >= 0.05 --> J[Chọn Mô hình REM]
    
    I --> K[Kiểm định khuyết tật mô hình]
    J --> K
    
    K --> L[Kiểm định Wald: Phương sai thay đổi]
    K --> M[Kiểm định Wooldridge: Tự tương quan]
    
    L --> N{Tồn tại khuyết tật?}
    M --> N
    
    N -- Có --> O[Hiệu chỉnh mô hình bằng FGLS]
    N -- Không --> P[Chấp nhận mô hình FEM/REM]
    
    O --> Q[Kết quả hồi quy FGLS cuối cùng]
    Q --> R[Thảo luận & Đề xuất Hàm ý chính sách]

Technology Stack và Công cụ nghiên cứu

• Môi trường xử lý dữ liệu: Python 3.10 (thư viện pandas v2.1.0, numpy v1.24.3) phục vụ ETL và trích xuất chỉ số tài chính.
• Môi trường tính toán kinh tế lượng: Stata 17.0 MP (Multi-Processing Edition) chuyên dụng cho xử lý dữ liệu bảng vĩ mô/vi mô.
• Bảng tính & Trực quan hóa phụ trợ: Microsoft Excel 2021 (Power Query) & LaTeX cho định dạng bảng biểu báo cáo.

Thiết kế lược đồ dữ liệu bảng (Data Schema)

Table: Bank_Credit_Panel_Dataset

Phương pháp luận (Methodology)

Quy trình nghiên cứu áp dụng mô hình tuyến tính tổng quát kế thừa và cải tiến từ khung lý thuyết của Salas & Saurina (2002), Ghosh (2015), và Klein (2013):

$$NPL_{i,t} = \beta_0 + \beta_1 SIZE_{i,t} + \beta_2 ROA_{i,t} + \beta_3 LLR_{i,t} + \beta_4 LGR_{i,t} + \beta_5 ETA_{i,t} + \beta_6 UNT_t + \beta_7 GDP_t + \beta_8 INF_t + \epsilon_{i,t}$$

Trong đó:

• $i = 1, 2, \dots, 24$ (24 ngân hàng thương mại cổ phần).
• $t = 2012, 2013, \dots, 2022$ (11 năm quan sát).
• $\beta_0$: Hệ số chặn (Intercept).
• $\beta_1 \dots \beta_8$: Các hệ số hồi quy riêng phần của các biến giải thích.
• $\epsilon_{i,t} = u_i + v_{i,t}$: Phần dư phức hợp bao gồm tác động riêng biệt từng ngân hàng ($u_i$) và sai số ngẫu nhiên ($v_{i,t}$).

Bảng đánh giá rủi ro và giải pháp kiểm soát (Risk Assessment)

• Rủi ro thiếu hụt dữ liệu (Missing Data): Do sáp nhập hoặc thay đổi niên độ kế toán $\rightarrow$ Giải pháp: Thiết lập panel không cân bằng có kiểm soát bậc tự do.
• Rủi ro đa cộng tuyến (Multicollinearity): Tương quan mạnh giữa các chỉ số vĩ mô $\rightarrow$ Giải pháp: Loại bỏ các cặp biến có $|r| > 0.8$ và kiểm tra $VIF < 5$.
• Rủi ro vi phạm giả định OLS: Tự tương quan chuỗi thời gian và phương sai sai số thay đổi theo thực thể $\rightarrow$ Giải pháp: Áp dụng ước lượng FGLS với tùy chọn ma trận trọng số khả thi.

---

Implementation và kết quả

Quá trình triển khai và tính toán trên Stata

Quy trình phân tích kinh tế lượng được thiết lập và thực thi thông qua mã lệnh Stata 17.0 chuyên sâu:

* ==============================================================================
* QUY TRÌNH PHÂN TÍCH KINH TẾ LƯỢNG NỢ XẤU NHTMCP (2012 - 2022)
* ==============================================================================

* 1. Khai báo cấu trúc dữ liệu bảng (Panel Data)
tsset bank_id year

* 2. Thống kê mô tả toàn diện các biến
summarize npl size roa llr lgr eta unt gdp inf, detail

* 3. Kiểm tra tương quan Pearson và hiện tượng Đa cộng tuyến (VIF)
correlate npl size roa llr lgr eta unt gdp inf
regress npl size roa llr lgr eta unt gdp inf
estat vif

* 4. Ước lượng mô hình Tác động cố định (FEM) và Tác động ngẫu nhiên (REM)
xtreg npl size roa llr lgr eta unt gdp inf, fe
estimates store fixed_effects

xtreg npl size roa llr lgr eta unt gdp inf, re
estimates store random_effects

* 5. Kiểm định Hausman để chọn mô hình tối ưu giữa FE và RE
hausman fixed_effects random_effects

* 6. Kiểm định khuyết tật mô hình (Diagnostic Tests)
* 6.1. Kiểm định phương sai sai số thay đổi (Modified Wald test for groupwise heteroskedasticity)
xtreg npl size roa llr lgr eta unt gdp inf, fe
xttest3

* 6.2. Kiểm định hiện tượng tự tương quan (Wooldridge test for autocorrelation in panel data)
xtserial npl size roa llr lgr eta unt gdp inf

* 7. Khắc phục khuyết tật bằng mô hình FGLS (Cross-sectional heteroskedasticity & Autocorrelation)
xtgls npl size roa llr lgr eta unt gdp inf, panels(hetero) corr(ar1)

Kết quả kiểm định và thống kê mô tả

1. Thống kê mô tả các biến trong mô hình (253 quan sát)

Biến	Tên biến	Ký hiệu	Trung bình	Độ lệch chuẩn	Giá trị nhỏ nhất	Giá trị lớn nhất
Tỷ lệ nợ xấu	Non-Performing Loans	NPL	0.0213 (2.13%)	0.0125	0.0000 (BVB)	0.0882 (SHB 2012)
Quy mô ngân hàng	Bank Size	SIZE	18.8000	1.1800	16.0000 (SGB)	21.4800 (BIDV 2022)
Suất sinh lời trên tài sản	Return on Assets	ROA	0.0098 (0.98%)	0.0076	0.0001 (BVB)	0.0350 (TCB)
Tỷ lệ dự phòng RRTD	Loan Loss Reserve	LLR	0.0135 (1.35%)	0.0410	0.00017	0.62440 (ACB)
Tăng trưởng tín dụng	Loan Growth Rate	LGR	0.2078 (20.78%)	0.1945	-0.2300 (MSB)	1.1240 (SEABank)
Tỷ lệ vốn chủ sở hữu	Equity to Assets	ETA	0.0925 (9.25%)	0.0380	0.0410 (BIDV)	0.2383 (SGB 2013)
Tỷ lệ thất nghiệp	Unemployment Rate	UNT	0.0210 (2.10%)	0.0042	0.0103 (2012)	0.0239 (2020)
Tăng trưởng kinh tế	GDP Growth	GDP	0.0581 (5.81%)	0.0163	0.0258 (2021)	0.0802 (2022)
Tỷ lệ lạm phát	Inflation (CPI)	INF	0.0375 (3.75%)	0.0195	0.0063 (2015)	0.0921 (2012)

2. Kết quả kiểm định các khuyết tật mô hình

• Kiểm định Đa cộng tuyến: Hệ số phóng đại phương sai $VIF_{max} = 2.14 < 5.0$, $VIF_{mean} = 1.48$, xác nhận không xảy ra hiện tượng đa cộng tuyến nghiêm trọng.
• Kiểm định Hausman: Giá trị thống kê $\chi^2(8) = 28.45$ với $p\text{-value} = 0.0004 < 0.05 \rightarrow$ Bác bỏ giả thuyết $H_0$, ưu tiên chọn mô hình Tác động cố định (FEM).
• Kiểm định Phương sai sai số thay đổi (Modified Wald Test): Thống kê $\chi^2(24) = 1458.20$ với $p\text{-value} = 0.0000 < 0.05 \rightarrow$ Tồn tại hiện tượng phương sai sai số thay đổi giữa các ngân hàng.
• Kiểm định Tự tương quan (Wooldridge Test): Thống kê $F(1, 23) = 18.742$ với $p\text{-value} = 0.0002 < 0.05 \rightarrow$ Tồn tại tự tương quan bậc 1 trong chuỗi dữ liệu bảng.

Do cả hai khuyết tật đều xuất hiện, kết quả ước lượng từ Pooled OLS hay FEM đều không còn hiệu quả (Efficient). Việc áp dụng mô hình FGLS là bắt buộc và tối ưu nhất.

Kết quả hồi quy cuối cùng qua mô hình FGLS

Tại mức ý nghĩa thống kê 5% ($\alpha = 0.05$), kết quả ước lượng hồi quy FGLS xác định rõ chiều hướng và cường độ tác động của các biến số:

                            KẾT QUẢ HỒI QUY FGLS CUỐI CÙNG
==============================================================================
Biến độc lập         Kỳ vọng     Hệ số hồi quy (β)    P-value     Ý nghĩa thống kê
------------------------------------------------------------------------------
SIZE (Quy mô)          +/-           -0.0028          0.0042**    Nghịch chiều (1%)
ROA (Lợi nhuận)         -            -0.2415          0.0011**    Nghịch chiều (1%)
LLR (Dự phòng RRTD)     +            +0.0842          0.0000***   Cùng chiều (0.1%)
LGR (Tăng trưởng TD)    +            +0.0031          0.1240      Không có ý nghĩa
ETA (Vốn CSH / TTS)     -            +0.0512          0.0185*     Cùng chiều (5%)
UNT (Thất nghiệp)       +            +0.0890          0.1870      Không có ý nghĩa
GDP (Tăng trưởng KT)    -            -0.0410          0.0890      Không có ý nghĩa
INF (Lạm phát)          +            +0.0765          0.0023**    Cùng chiều (1%)
_cons (Hệ số chặn)                    +0.0534          0.0120*
==============================================================================
Số quan sát (Obs) = 253 | Số nhóm (Banks) = 24 | Wald Chi2(8) = 194.32 (p = 0.0000)
Ghi chú: *** p < 0.001; ** p < 0.01; * p < 0.05

---

Đổi mới và đóng góp

Các điểm mới mang tính kỹ thuật và học thuật

1. Tính cập nhật và kiểm soát cú sốc vĩ mô (2020–2022): Khác biệt với đa số các nghiên cứu tại Việt Nam (thường dừng lại ở mốc 2018–2019), nghiên cứu này bao trùm toàn bộ giai đoạn đại dịch COVID-19 và giai đoạn phục hồi hậu đại dịch, phản ánh rõ nét tác động khi Thông tư 14/2021/TT-NHNN chấm dứt hiệu lực cơ cấu nợ.
2. Khắc phục trọn vẹn khuyết tật kinh tế lượng: Ứng dụng quy trình FGLS hai bước (Two-step FGLS) điều chỉnh ma trận hiệp phương sai cấu trúc tự tương quan $AR(1)$ kết hợp phương sai thay đổi theo thực thể $E[\epsilon_i \epsilon_i'] = \sigma_i^2 I_T$, cho ra ước lượng có độ tin cậy vượt trội so với FEM truyền thống.
3. Phát hiện mới về biến Vốn chủ sở hữu (ETA): Trái với giả thuyết truyền thống cho rằng ETA tỷ lệ nghịch với NPL, kết quả thực nghiệm tại Việt Nam ghi nhận ETA có tương quan thuận (+0.0512). Điều này phản ánh thực tế tại các NHTMCP: các ngân hàng có bộ đệm vốn dày thường có xu hướng chấp nhận mức độ rủi ro cao hơn (Moral Hazard / Risk-taking behavior), đẩy mạnh các khoản vay trung dài hạn sinh lời cao nhưng tiềm ẩn rủi ro nợ xấu lớn.

                      SO SÁNH ĐÓNG GÓP THỰC NGHIỆM VỚI CÁC CÔNG TRÌNH TRƯỚC

---

Ứng dụng thực tế và triển khai

Trường hợp ứng dụng tại Ngân hàng Thương mại

1. Xây dựng Hệ thống Cảnh báo sớm Rủi ro Tín dụng (Credit Early Warning System - EWS)

Các ngân hàng có thể tích hợp trực tiếp các tham số hồi quy từ mô hình FGLS vào hệ thống EWS của Trung tâm Quản trị Rủi ro:

• Trọng số vi mô: Khi ROA của ngân hàng sụt giảm 1% hoặc chi phí trích lập LLR tăng vọt trên 20% so với cùng kỳ, hệ thống tự động kích hoạt chế độ thắt chặt van cấp tín dụng cho phân khúc khách hàng cá nhân và SME.
• Tham số vĩ mô: Khi lạm phát (CPI) vượt ngưỡng mục tiêu 4%, bộ phận Risk Analytics phải tự động tái định giá rủi ro cho các hợp đồng tín dụng lãi suất thả nổi nhằm dự phòng rủi ro mất khả năng thanh toán.

                                  KIẾN TRÚC TRIỂN KHAI HỆ THỐNG EWS

Lộ trình triển khai giải pháp quản trị rủi ro

Giai đoạn 1 (Tháng 1-2)    : Chuẩn hóa kho dữ liệu rủi ro (Risk Data Mart) theo chuẩn Basel II/III.
Giai đoạn 2 (Tháng 3-4)    : Triển khai công cụ ước lượng FGLS tự động cập nhật hệ số hồi quy định kỳ.
Giai đoạn 3 (Tháng 5-6)    : Tích hợp cảnh báo đa biến vào quy trình cấp xét tín dụng và quản trị tài sản có.

Phân tích Chi phí - Lợi ích (Cost-Benefit Analysis)

• Chi phí đầu tư: Chi phí triển khai module phân tích dữ liệu kinh tế lượng tự động ước tính khoảng 250 – 400 triệu VND cho hệ thống phần mềm và đào tạo nội bộ.
• Lợi ích định lượng: Dự báo chính xác chiều hướng nợ xấu giúp ngân hàng chủ động cơ cấu danh mục cho vay, giảm thiểu tỷ lệ nợ xấu phát sinh từ 0.3% - 0.5% trên tổng dư nợ. Đối với một ngân hàng có dư nợ 100,000 tỷ VND, việc giảm 0.3% nợ xấu tương đương với việc bảo toàn 300 tỷ VND chi phí dự phòng và duy trì hệ số an toàn vốn (CAR).

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

• Tần suất dữ liệu: Dữ liệu nghiên cứu thu thập theo chu kỳ năm (Annual Panel Data). Tần suất này chưa phản ánh được các biến động ngắn hạn theo quý hoặc theo tháng của chu kỳ kinh doanh và thị trường bất động sản.
• Giới hạn mẫu: Chưa bao gồm các ngân hàng thương mại thuộc diện kiểm soát đặc biệt hoặc các ngân hàng có dữ liệu BCTC không liên tục do quá trình tái cơ cấu bắt buộc.
• Vấn đề nội sinh tiềm ẩn: Mối quan hệ hai chiều giữa tỷ lệ dự phòng rủi ro (LLR) và tỷ lệ nợ xấu (NPL) có thể tạo ra hiện tượng nội sinh (Endogeneity).

Hướng phát triển tiếp theo

• Mở rộng phương pháp GMM động (System GMM): Ứng dụng mô hình Arellano-Bond SGMM để đưa biến độ trễ nợ xấu ($NPL_{t-1}$) vào phương trình nhằm lượng hóa quán tính nợ xấu qua các năm.
• Tích hợp dữ liệu tần suất cao: Thu thập dữ liệu BCTC hợp nhất theo quý kết hợp các chỉ số thanh khoản thị trường liên ngân hàng và chỉ số biến động thị trường chứng khoán (VN-Index).
• Machine Learning Integration: Kết hợp mô hình kinh tế lượng FGLS giải thích nguyên nhân với các thuật toán phân lớp học máy (XGBoost, Random Forest) để dự đoán xác suất vỡ nợ (Probability of Default - PD) ở cấp độ từng hợp đồng tín dụng.

---

Đối tượng hưởng lợi

                                  LỢI ÍCH CỦA CÁC BÊN LIÊN QUAN

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để tái lập nghiên cứu này là gì?

Cần cài đặt phần mềm Stata (phiên bản 15.0 trở lên, khuyến nghị 17.0 MP) hoặc ngôn ngữ lập trình R (package plm, nlme) / Python (thư viện linearmodels). Dữ liệu đầu vào yêu cầu bảng cân đối kế toán, báo cáo kết quả kinh doanh đã kiểm toán của 24 ngân hàng giai đoạn 2012–2022 và tệp dữ liệu vĩ mô từ World Bank.

2. Tại sao nghiên cứu lựa chọn mô hình FGLS thay vì FEM hoặc REM?

Dù kiểm định Hausman ($p < 0.001$) chỉ ra mô hình FEM ưu việt hơn REM, các kiểm định chẩn đoán sau hồi quy (Diagnostic Tests) phát hiện mô hình FEM bị vi phạm đồng thời cả hai giả định: phương sai sai số thay đổi (Modified Wald test, $p = 0.0000$) và tự tương quan chuỗi thời gian (Wooldridge test, $p = 0.0002$). Phương pháp FGLS là công cụ kinh tế lượng tiêu chuẩn cho phép xử lý triệt để hai khuyết tật này, tạo ra ước lượng vững và hiệu quả nhất.

3. Tỷ lệ lạm phát (INF) tác động thế nào đến nợ xấu ngân hàng?

Hệ số hồi quy FGLS cho thấy $\beta_{INF} = +0.0765$ có ý nghĩa thống kê ở mức 1% ($p = 0.0023$). Khi lạm phát tăng, sức mua và biên lợi nhuận của doanh nghiệp đi vay bị bào mòn, chi phí sinh hoạt của người tiêu dùng gia tăng; đồng thời mặt bằng lãi suất cho vay danh nghĩa điều chỉnh tăng khiến gánh nặng trả nợ gốc và lãi tăng cao, trực tiếp thúc đẩy tỷ lệ nợ xấu phát sinh.

4. Tại sao quy mô ngân hàng (SIZE) lại có tác động ngược chiều với tỷ lệ nợ xấu?

Hệ số hồi quy ghi nhận $\beta_{SIZE} = -0.0028$ ($p = 0.0042$). Các ngân hàng có quy mô tổng tài sản lớn (như nhóm Big4: Vietcombank, BIDV, VietinBank) thường sở hữu hệ thống xếp hạng tín dụng nội bộ hiện đại, quy trình kiểm soát rủi ro đa tầng, danh mục cho vay đa dạng hóa trên nhiều ngành nghề và tệp khách hàng có uy tín tín dụng cao, từ đó kiểm soát tỷ lệ nợ xấu tốt hơn các ngân hàng quy mô nhỏ.

5. Chi phí triển khai và thời gian hòa vốn (ROI) khi ứng dụng mô hình này vào EWS là bao lâu?

Với chi phí đầu tư trung bình từ 250 - 400 triệu VND cho hệ sinh thái phân tích dữ liệu rủi ro nội bộ, thời gian hòa vốn thường đạt được ngay trong năm tài chính đầu tiên (chỉ sau 6 - 9 tháng vận hành) nhờ việc sớm ngăn chặn nguy cơ chuyển nhóm nợ xấu của các khoản vay doanh nghiệp lớn, tiết kiệm hàng chục tỷ đồng chi phí trích lập dự phòng rủi ro.

---

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc việc giải quyết bài toán định lượng các yếu tố tác động đến nợ xấu tại 24 NHTMCP Việt Nam trong giai đoạn biến động 2012–2022. Bằng việc ứng dụng quy trình phân tích kinh tế lượng chuyên sâu và khắc phục toàn diện các khuyết tật mô hình thông qua phương pháp FGLS, nghiên cứu đã chứng minh:

• Tác động cùng chiều lên nợ xấu: Tỷ lệ trích lập dự phòng rủi ro tín dụng ($LLR$), Tỷ lệ vốn chủ sở hữu trên tổng tài sản ($ETA$), và Tỷ lệ lạm phát ($INF$).
• Tác động ngược chiều lên nợ xấu: Quy mô tổng tài sản ngân hàng ($SIZE$) và Khả năng sinh lời trên tổng tài sản ($ROA$).

Công trình không chỉ đóng góp một cơ sở thực nghiệm vững chắc cho kho tàng học thuật tài chính - ngân hàng tại Việt Nam trong giai đoạn hậu đại dịch COVID-19, mà còn mang lại giá trị ứng dụng trực tiếp cho các nhà quản trị ngân hàng trong việc thiết kế hệ thống cảnh báo sớm (EWS), tối ưu hóa tỷ lệ trích lập dự phòng và kiểm soát khẩu vị rủi ro. Các tổ chức tín dụng và chuyên gia dữ liệu có thể ứng dụng khung phân tích này để nâng cao tính minh bạch, sự an toàn và sức chống chịu của toàn hệ thống tài chính trước những biến động khó lường của kinh tế vĩ mô.

Trích đoạn nội dung tài liệu

Chương 1 đã trình bày rõ về tính cấp thiết của việc xem xét và phân tích các yếu tố tác động đến nợ xấu dựa vào tình hình thực tế nợ xấu của các NHTMCP Việt Nam giai đoạn 2012 – 2022. Việc xác định mục tiêu và đối tượng nghiên cứu cũng được thể hiện trong chương này. Ngoài ra, phương pháp nghiên cứu chính là nghiên cứu định lượng, còn nghiên cứu định tính đóng vai trò là phương pháp phụ trợ. Cuối cùng là đưa ra kết cấu bố cục gồm 5 chương và những điểm nổi bật trong mỗi chương.

CƠ SỞ LÝ THUYẾT VÀ LƢỢC KHẢO CÁC TÀI LIỆU NGHIÊN CỨU CÓ LIÊN QUAN Giớ i thiệ u Chương thứ hai cung cấp cơ sở lý thuyết và tổng quan nghiên cứu về tác động của các nhân tố vi mô và đặc thù ngành trong mối quan hệ với nợ xấu tại các NHTMCP Việt Nam và các tổ chức tín dụng khác. Sau đó thảo luận để xác định khoảng trống nghiên cứu. Cơ sở lý thuyết về nợ xấu 2. Khái niệm nợ xấu Nợ xấu là một cấu phần quan trọng để đánh giá mức độ tương tác giữa lợi nhuận từ hoạt động tín dụng và rủi ro tín dụng.

Những từ như non – performing loan (NPL), bad debt, doubtful debt được dùng rộng rãi để mô tả nợ xấu. Nhìn chung nợ xấu được mô tả như sau: Theo BCBS (2006), “một khoản vay được coi là mất khả năng thanh toán nếu xảy ra một hoặc cả hai trường hợp sau: (i) Ngân hàng xác định rằng bên vay vốn không thể trả toàn bộ khoản vay; (ii) Chủ thể vay vốn quá hạn thanh toán trên 90 ngày”. Ngoài ra, BCBS đặc biệt chú ý “tổn thất có thể xảy ra trong tương lai” khi định giá các khoản vay. Toàn bộ các khoản vay quá hạn 90 ngày và có biểu hiện mất khả năng thanh toán của bên vay sẽ bị coi là nợ xấu theo hướng dẫn này.

Hội đồng Chuẩn mực Kế toán quốc tế (IASB) (2004) nhận thấy rằng các ngân hàng xử lý nợ xấu phải thu thập dữ liệu khách quan ngay từ năm 2005. Khi giá trị của một khoản nợ phải trả giảm đi, tài sản được ghi nhận bị suy giảm giá trị do chất lượng của khoản nợ xấu xuống cấp. Dễ dàng nhận thấy, IAS vẫn đánh giá cao khả năng trả nợ hơn là thời gian quá hạn. Theo Quỹ Tiền tệ Quốc tế (2019): “Nợ xấu được định nghĩa là những khoản vay mà (1) Quá hạn thanh toán gốc/lãi 90 ngày trở lên; hoặc (2) các khoản thanh 9 toán lãi từ 90 ngày trở lên đã được vốn hóa (tái đầu tư thành số tiền gốc), tái cấp vốn hoặc đảo hạn (thanh toán chậm theo thỏa thuận); hoặc (3) khả năng thanh toán của bên vay suy giảm, chẳng hạn như do phá sản hoặc khó khăn tài chính khác”.

Quan điểm này xem xét nợ xấu trên khía cạnh khả năng trả nợ của khách hàng và thời gian nợ. Khách hàng có thể hoàn toàn không trả được nợ hoặc chỉ có thể thanh toán một phần. IMF xem xét nợ xấu từ một góc độ khác về việc trì hoãn thời gian trả nợ với mốc thời gian là quá hạn trên 90 ngày. Ngoài ra, định nghĩa mới nhất về NPL không có sự khác biệt so với bản trước đó của IMF (2004).

Tại Việt Nam, sau nhiều lần sửa đổi bổ sung thì nợ xấu được định nghĩa theo Thông tư 11/2021/TT-NHNN của Thống đốc NHNN ngày 30/07/2021 (gọi tắt là Thông tư 11) – Quyết định mới nhất về việc phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro và việc sử dụng dự phòng để xử lý rủi ro trong hoạt động của tổ chức tín dụng, chi nhánh ngân hàng nước ngoài. Như vậy, tại khoản 8 Điều 3 Thông tư 11, “nợ xấu được định nghĩa là nợ xấu nội bảng, gồm nợ thuộc các nhóm 3, 4 và 5 quy định tại Điều 10 Thông tư 11”. Theo NHNN, nợ xấu được quyết định bởi hai điều sau: (i) Thanh toán chậm hơn 90 ngày và (ii) Nghi ngờ về khả năng thực hiện nghĩa vụ của người đi vay. Phân loại nợ và phương pháp đánh giá nợ xấu Giới thiệu các phân loại và phương pháp đánh giá nợ xấu tại một số quốc gia Để ngân hàng tăng trưởng bền vững trong dài hạn, công tác điều tiết và quản lý nợ xấu cần được thực hiện một cách chặt chẽ.

Do đó, việc xác định các khoản cho vay có tính chất nợ xấu, đánh giá rủi ro và chủ động trích lập các khoản dự là điều không thể bỏ qua. Bholat và cộng sự (2016) lập luận trong nghiên cứu của mình rằng khó có một tiêu chuẩn chung về phân loại nợ do thực tế nó phụ thuộc vào đặc điểm riêng của mỗi quốc gia. Phụ lục 01 trình bày một số điểm khác biệt giữa phân loại nợ tại các nước thuộc nhóm G20 của công trình nghiên cứu này. 10 Qua Phụ lục 01, dễ dàng nhận thấy rằng Hoa Kỳ, Đức đã sử dụng các hệ thống để phân loại các khoản nợ một cách rõ ràng.

Mặt khác, các nhà quản lý ngân hàng thường có trách nhiệm xây dựng các quy tắc và thủ tục phân loại nợ nội bộ tại những quốc gia không tồn tại hệ thống quản lý cụ thể. Điển hình là hệ thống Pháp quy định các điều kiện tối thiểu đối với các khoản vay có dấu hiệu suy giảm, nhưng không có tiêu chuẩn rõ ràng để thiết lập chúng. Cách tiếp cận tương tự được sử dụng ở Ý khi nước này phân thành năm nhóm nợ chỉ với hướng dẫn chung về cách áp dụng phân loại vào thực tế. Tại Anh, các nhóm nợ không được hình thành theo bất kỳ tiêu chí nào.

Do đó, giám sát viên ngân hàng mong muốn ngân hàng có một quy trình phù hợp để quản lý rủi ro tín dụng, bao gồm cả việc đánh giá và cập nhật khoản vay. Trong khi đó, các quốc gia châu Á (như Trung Quốc, Nhật Bản, Hàn Quốc,…) thường có xu hướng chia các khoản vay thành bốn hoặc năm hạng mục và sử dụng cách phân loại tương tự nhau. Hơn nữa, số nhóm nợ của các nước châu Mỹ như Argentina và Brazil vượt quá mức chung khi so sánh với các nước trong nhóm G20. Ngoài ra, dựa trên cơ sở về thời gian quá hạn mà WB, IMF, và một số ngân hàng nước ngoài phân nợ vào năm nhóm cơ bản như sau: (i) Nhóm 1 – Nợ đạt tiêu chuẩn; (2) Nhóm 2 – Nợ cần theo dõi; (3) Nhóm 3 - Nợ dưới tiêu chuẩn; (4) Nhóm 4 – Nợ đáng nghi ngờ; (5) Nhóm 5 – Nợ có khả năng mất vốn.

Giới thiệu cách phân loại và phương pháp đánh giá nợ xấu tại Việt Nam theo quy định Thông tư 11 Từ năm 2005, các NHTM tại Việt Nam đã thực hiện phân loại nợ và trích lập dự phòng rủi ro theo hướng dẫn tại Quyết định 493/2005/QĐ-NHNN (còn gọi là Quyết định 493) của NHNN. Tiếp đó là Thông tư số 02/2013/NHNN (Thông tư 02) được ban hành. Tuy nhiên, văn bản này xuất hiện một số hạn chế do NHTM ngày càng càng đa dạng lĩnh vực kinh doanh. Như một hệ quả tất yếu, các văn bản mới, cập nhật và thay thế phải được tạo ra để tăng cường bảo mật hệ thống, tăng tính minh bạch trong hoạt động của các NHTM và tuân theo quy định quản lý rủi ro toàn 11 cầu.

Trước tình hình đó, NHNN đã ban hành Thông tư 11/2021/TT-NHNN (Thông tư 11) ngày 30/07/2021 thay thế một số văn bản liên quan khác và Thông tư 02. Theo quy định tại Điều 1 và Khoản 1, 2 của Điều 11 trong Thông tư 11, các khoản nợ trong được phân loại theo phương pháp định lượng và định tính. Về phương pháp phân loại nợ định lượng, tổ chức tín dụng thực hiện phân loại nợ căn cứ vào thời gian quá hạn của khoản nợ và có quyền chủ động phân loại khách hàng vào nhóm có rủi ro cao hơn khi nhận thấy khả năng trả nợ bị suy giảm. Ngược lại, các tổ chức tín dụng sử dụng hệ thống xếp hạng nội bộ theo phương pháp định tính, dựa trên chính sách giảm thiểu và quản lý rủi ro.

Bất kể phương pháp nào được sử dụng thì nợ xấu đều là các khoản nợ từ nhóm 3 đến nhóm 5, lần lượt tương ứng với nợ dưới tiêu chuẩn, nợ nghi ngờ và nợ có khả năng mất vốn. Trên thực tế, phần lớn các tổ chức tín dụng chỉ phân loại nợ theo định lượng mà không quan tâm đến phương pháp định tính. Do đó, hệ thống phân loại nhóm nợ của Việt Nam và những mô tả cơ bản về từng nhóm nợ tương tự như hệ thống của nhiều quốc gia phát triển khác. Ngoài ra, do khóa luận xem xét các yếu tố tác động đến tỷ lệ nợ xấu tại các NHTMCP trên địa bàn Việt Nam nên nghiên cứu sử dụng phương pháp phân loại nợ theo quy định của NHNN Việt Nam làm chuẩn.

Các tác động của nợ xấu Không chỉ ảnh hưởng đến hiệu quả kinh doanh của bản thân ngân hàng mà nợ xấu còn tác động sâu rộng và nặng nề đến các chủ thể xung quanh, cũng như nền kinh tế. Có thể chia thành 3 nhóm như sau: 2. Tác động của nợ xấu đối với ngân hàng Khi phân tích các tác động của nợ xấu đối với hệ thống ngân hàng, tác động đầu tiên được đề cập đến là giảm khả năng sinh lời của ngân hàng. Thông thường, hoạt động chính của các ngân hàng là huy động tiền gửi từ vốn thị trường nhàn rỗi và sử dụng nó để cho vay.

Hay nói cách khác, ngân hàng hỗ trợ luân chuyển vốn từ nơi dư thừa sang nơi cần vốn. Kết quả là, vốn có thể được sử dụng hiệu quả hơn trong khi vẫn hưởng lợi từ việc phân bổ dòng vốn vào. Mặt khác, nợ xấu cao cho 12 thấy ngân hàng không có khả năng thu hồi nợ gốc, tồn đọng vốn kinh doanh lớn. Như vậy, ngân hàng vừa phải trả lãi tiền gửi, vừa giảm lợi nhuận để tăng trích lập dự phòng theo quy định đã ban hành.

Nếu tình trạng này vẫn còn tiếp diễn, ngân hàng này sẽ bị giám sát đặc biệt bởi từ NHNN và hạn chế khả năng mở rộng hoạt động kinh doanh của ngân hàng. Song song đó, nợ xấu còn ảnh hưởng đến khả năng thanh toán. Tương tự như việc nợ xấu ảnh hưởng đến khả năng sinh lời: làm chi phí quản lý và xử lý nợ xấu tăng, bên cạnh việc mất gốc và lãi từ các khoản cho vay. Từ đó gây mất cân đối và tiềm ẩn rủi ro thanh khoản.

Cuối cùng, tỷ lệ nợ xấu cao gây tổn hại đến uy tín và làm suy giảm lòng tin của khách hàng đối với tiềm lực tài chính của ngân hàng trên thị trường.