Khóa luận: Các yếu tố tác động đến rủi ro tín dụng tại các NHTM Việt Nam - ĐH Ngân hàng TP.HCM

Khóa luận phân tích các yếu tố ảnh hưởng đến rủi ro tín dụng tại ngân hàng thương mại Việt Nam, cung cấp cái nhìn sâu sắc và thực tiễn.

• Tác giả: Phan Hải My
• Người hướng dẫn: TS. Trần Trọng Huy
• 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 Rủi Ro Tín Dụng Của Các Ngân Hàng Thương Mại Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 1.1. Rủi ro tín dụng còn trong hệ thống Ngân hàng thương mại Việt Nam
• 1.2. Khái niệm rủi ro tín dụng
• 1.3. Nguyên nhân tồn tại rủi ro tín dụng
• 1.4. Nhận dạng rủi ro tín dụng
• 1.5. Tiêu chí đo lường rủi ro tín dụng
• 1.6. Tác động của rủi ro tín dụng
• 1.7. Các nghiên cứu liên quan
• 1.7.1. Các nghiên cứu liên quan trong nước
• 1.7.2. Các nghiên cứu liên quan trên thế giới
• 1.8. Khoảng trống nghiên cứu trước
• 2. CHƯƠNG 2: MÔ HÌNH NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU
• 2.1. Quy trình nghiên cứu và phương pháp nghiên cứu
• 2.2. Mô hình nghiên cứu và giả thuyết nghiên cứu
• 2.2.1. Mô hình nghiên cứu đề xuất
• 2.2.2. Giả thuyết nghiên cứu
• 2.3. Biến phụ thuộc
• 2.4. Biến độc lập
• 2.5. Dữ liệu nghiên cứu
• 2.6. Phương pháp nghiên cứu
• 3. CHƯƠNG 3: PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU
• 3.1. Tổng quan tình hình nợ xấu của các NHTM Việt Nam
• 3.2. Kết quả nghiên cứu
• 3.2.1. Thống kê mô tả các biến trong mô hình
• 3.2.2. Phân tích tương quan
• 3.2.3. Kiểm định đa cộng tuyến
• 3.2.4. Kiểm định F-test lựa chọn giữa 2 mô hình Pooled OLS và FEM
• 3.2.5. Kiểm định Hausman lựa chọn giữa FEM và REM
• 3.2.6. Kiểm định các khuyết tật của mô hình được chọn
• 3.2.7. Kết quả hồi quy theo FGLS khắc phục khuyết tật mô hình
• 3.2.8. Tóm tắt kết quả nghiên cứu
• 3.2.9. Thảo luận kết quả nghiên cứu
• 3.2.9.1. Quy mô ngân hàng (SIZEt)
• 3.2.9.2. Lợi nhuận sau thuế trên vốn chủ sở hữu (ROE)
• 3.2.9.3. Tăng trưởng tín dụng (LGR)
• 3.2.9.4. Dự phòng RRTD (LLR)
• 4. CHƯƠNG 4: KẾT LUẬN VÀ ĐỀ XUẤT CÁC KHUYẾN NGHỊ
• 4.1. Kết luận kết quả mô hình nghiên cứu
• 4.2. Một số khuyến nghị nhằm hạn chế rủi ro tín dụng tại các ngân hàng thương mại Việt Nam
• 4.2.1. Khuyến nghị đối với quy mô ngân hàng (SIZEt)
• 4.2.2. Khuyến nghị đối với lợi nhuận sau thuế trên vốn chủ sở hữu (ROE)
• 4.2.3. Khuyến nghị đối với tăng trưởng tín dụng (LGR)
• 4.2.4. Khuyến nghị đối với dự phòng rủi ro tín dụng (LLR)
• 4.2.5. Khuyến nghị đối với lạm phát (INF)
• 4.3. Hạn chế và hướng nghiên cứu tiếp theo
• 4.3.1. Hạn chế của nghiên cứu
• 4.3.2. Hướng nghiên cứu tiếp theo
• 5. CHƯƠNG 5: KẾT LUẬN
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về rủi ro tín dụng tại ngân hàng thương mại Việt Nam

Rủi ro tín dụng là một trong những vấn đề quan trọng mà các ngân hàng thương mại Việt Nam phải đối mặt. Trong bối cảnh nền kinh tế đang phục hồi sau đại dịch Covid-19, các ngân hàng cần phải hiểu rõ các yếu tố tác động đến rủi ro tín dụng để có thể quản lý hiệu quả hơn. Nghiên cứu này sẽ phân tích các yếu tố chính ảnh hưởng đến rủi ro tín dụng, từ đó đưa ra các khuyến nghị nhằm nâng cao chất lượng tín dụng.

1.1. Khái niệm và tầm quan trọng của rủi ro tín dụng

Rủi ro tín dụng được định nghĩa là khả năng bên vay không thực hiện nghĩa vụ trả nợ. Điều này có thể dẫn đến tổn thất lớn cho ngân hàng. Theo Thomas P.Fitch (1997), rủi ro tín dụng xảy ra khi người vay không thanh toán được nợ theo thỏa thuận.

1.2. Tình hình rủi ro tín dụng tại các ngân hàng thương mại

Trong giai đoạn 2012-2023, tỷ lệ nợ xấu tại các ngân hàng thương mại Việt Nam đã có những biến động lớn. Theo báo cáo của Ngân hàng Nhà nước, nợ xấu đã tăng khoảng 20,8% trong 6 tháng đầu năm 2024, cho thấy sự cần thiết phải quản lý rủi ro tín dụng hiệu quả hơn.

II. Các yếu tố tác động đến rủi ro tín dụng của ngân hàng thương mại Việt Nam

Nghiên cứu đã xác định được 7 yếu tố chính tác động đến rủi ro tín dụng tại các ngân hàng thương mại Việt Nam. Những yếu tố này bao gồm quy mô ngân hàng, tăng trưởng tín dụng, lợi nhuận sau thuế trên vốn chủ sở hữu, lạm phát, và các yếu tố vĩ mô khác. Việc hiểu rõ các yếu tố này sẽ giúp ngân hàng có những biện pháp phòng ngừa hiệu quả.

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

Quy mô ngân hàng có mối liên hệ chặt chẽ với khả năng quản lý rủi ro tín dụng. Ngân hàng lớn thường có khả năng phân tán rủi ro tốt hơn so với ngân hàng nhỏ. Theo nghiên cứu, quy mô ngân hàng có tác động ngược chiều đến tỷ lệ nợ xấu.

2.2. Tăng trưởng tín dụng và rủi ro tín dụng

Tăng trưởng tín dụng nhanh chóng có thể dẫn đến rủi ro tín dụng gia tăng. Khi ngân hàng mở rộng cho vay mà không kiểm soát chặt chẽ, khả năng phát sinh nợ xấu sẽ cao hơn. Nghiên cứu cho thấy tăng trưởng tín dụng có tác động tiêu cực đến tỷ lệ nợ xấu.

2.3. Lợi nhuận sau thuế trên vốn chủ sở hữu

Lợi nhuận sau thuế trên vốn chủ sở hữu là một chỉ số quan trọng phản ánh hiệu quả hoạt động của ngân hàng. Theo nghiên cứu, lợi nhuận cao có thể giúp ngân hàng giảm thiểu rủi ro tín dụng, vì ngân hàng có đủ nguồn lực để xử lý các khoản nợ xấu.

III. Phân tích các yếu tố vĩ mô ảnh hưởng đến rủi ro tín dụng

Các yếu tố vĩ mô như lạm phát và tỷ lệ thất nghiệp cũng có ảnh hưởng lớn đến rủi ro tín dụng. Lạm phát cao có thể dẫn đến tăng chi phí vay mượn, trong khi tỷ lệ thất nghiệp cao làm giảm khả năng trả nợ của người vay. Việc phân tích các yếu tố này là cần thiết để đưa ra các giải pháp hiệu quả.

3.1. Tác động của lạm phát đến rủi ro tín dụng

Lạm phát có thể làm tăng chi phí vay mượn, dẫn đến khả năng trả nợ của người vay giảm sút. Theo nghiên cứu, lạm phát có mối quan hệ tích cực với tỷ lệ nợ xấu, cho thấy rằng khi lạm phát tăng, rủi ro tín dụng cũng gia tăng.

3.2. Tỷ lệ thất nghiệp và rủi ro tín dụng

Tỷ lệ thất nghiệp cao thường dẫn đến giảm thu nhập của người vay, làm tăng khả năng phát sinh nợ xấu. Nghiên cứu cho thấy rằng tỷ lệ thất nghiệp không có tác động rõ rệt đến rủi ro tín dụng trong giai đoạn nghiên cứu, nhưng vẫn cần được theo dõi.

IV. Giải pháp quản lý rủi ro tín dụng cho ngân hàng thương mại

Để giảm thiểu rủi ro tín dụng, các ngân hàng thương mại cần áp dụng các giải pháp quản lý hiệu quả. Các giải pháp này bao gồm cải thiện quy trình thẩm định tín dụng, tăng cường giám sát và quản lý nợ xấu, cũng như phát triển các sản phẩm tín dụng phù hợp với nhu cầu thị trường.

4.1. Cải thiện quy trình thẩm định tín dụng

Quy trình thẩm định tín dụng cần được cải thiện để đảm bảo rằng các khoản vay được cấp cho những khách hàng có khả năng trả nợ tốt. Việc áp dụng công nghệ thông tin trong thẩm định sẽ giúp ngân hàng giảm thiểu rủi ro.

4.2. Tăng cường giám sát và quản lý nợ xấu

Ngân hàng cần có hệ thống giám sát nợ xấu hiệu quả để phát hiện sớm các dấu hiệu rủi ro. Việc này sẽ giúp ngân hàng có biện pháp xử lý kịp thời, giảm thiểu tổn thất.

4.3. Phát triển sản phẩm tín dụng phù hợp

Ngân hàng cần phát triển các sản phẩm tín dụng phù hợp với nhu cầu của thị trường và khả năng trả nợ của khách hàng. Điều này sẽ giúp giảm thiểu rủi ro tín dụng và nâng cao hiệu quả kinh doanh.

V. Kết luận và khuyến nghị cho tương lai

Nghiên cứu đã chỉ ra rằng có nhiều yếu tố tác động đến rủi ro tín dụng của các ngân hàng thương mại Việt Nam. Để nâng cao chất lượng tín dụng, các ngân hàng cần chú trọng đến việc quản lý rủi ro và áp dụng các giải pháp hiệu quả. Tương lai, cần tiếp tục nghiên cứu để cập nhật các yếu tố mới ảnh hưởng đến rủi ro tín dụng.

5.1. Tóm tắt kết quả nghiên cứu

Kết quả nghiên cứu cho thấy rằng quy mô ngân hàng, tăng trưởng tín dụng và lợi nhuận sau thuế trên vốn chủ sở hữu có tác động lớn đến rủi ro tín dụng. Các yếu tố vĩ mô như lạm phát cũng cần được xem xét.

5.2. Khuyến nghị cho các ngân hàng thương mại

Các ngân hàng thương mại cần áp dụng các giải pháp quản lý rủi ro tín dụng hiệu quả, cải thiện quy trình thẩm định và phát triển sản phẩm tín dụng phù hợp để giảm thiểu rủi ro.

Nội dung chính

Giới thiệu dự án

Hoạt động cấp tín dụng đóng vai trò là động lực huyết mạch thúc đẩy tăng trưởng kinh tế, đồng thời là nguồn tạo lập thu nhập chủ đạo cho hệ thống các Ngân hàng Thương mại (NHTM) tại Việt Nam. Tuy nhiên, giai đoạn hậu đại dịch Covid-19 và biến động kinh tế vĩ mô toàn cầu 2022–2024 đã đặt hệ thống ngân hàng trước những áp lực rủi ro tín dụng nghiêm trọng. Theo thống kê tài chính từ Tạp chí Mekong Asean (2024), quy mô nợ xấu toàn ngành sau 6 tháng đầu năm 2024 đã tăng 20,8% so với cuối năm 2023. Tỷ lệ nợ xấu trên tổng dư nợ tại nhiều NHTM đã vượt ngưỡng an toàn quy định 3,0%, điển hình như Ngân hàng TMCP Quốc Dân (NCB) đạt mức 5,52%, VPBank đạt 5,08%, BaoViet Bank đạt 4,79%, BVBank đạt 3,77%, VIB đạt 3,67%, ABBank đạt 3,55%, VietBank đạt 3,34%, OCB đạt 3,12% và MSB đạt 3,08%.

Vấn đề cốt lõi đặt ra là sự thiếu hụt một khung đánh giá định lượng tổng thể, xuyên suốt chu kỳ dài hạn (11 năm) có khả năng cô lập và đo lường chính xác các nhân tố vi mô nội tại ngân hàng cùng các chỉ số kinh tế vĩ mô, từ đó đưa ra mô hình cảnh báo sớm rủi ro mất vốn. Đồ án khóa luận tốt nghiệp "Các yếu tố tác động đến rủi ro tín dụng của các Ngân hàng Thương mại Việt Nam" do tác giả Phan Hải My thực hiện dưới sự hướng dẫn khoa học của TS. Trần Trọng Huy (Trường Đại học Ngân hàng TP. Hồ Chí Minh) đã giải quyết bài toán trên.

Mục tiêu cụ thể của dự án nghiên cứu:

1. Xác định và lượng hóa mức độ tác động của 7 nhân tố then chốt (Quy mô ngân hàng, Lợi nhuận trên vốn chủ sở hữu, Tăng trưởng tín dụng, Tỷ lệ trích lập dự phòng rủi ro, Tăng trưởng kinh tế, Tỷ lệ lạm phát, Tỷ lệ thất nghiệp) đến rủi ro tín dụng đại diện bởi tỷ lệ nợ xấu ($NPL$).
2. Thiết lập quy trình kiểm định kinh tế lượng dữ liệu bảng chuẩn mực, so sánh đa mô hình (Pooled OLS, FEM, REM) và khắc phục toàn diện hiện tượng phương sai sai số thay đổi và tự tương quan bằng phương pháp Bình phương nhỏ nhất tổng quát khả thi (Feasible Generalized Least Squares - FGLS).
3. Đề xuất các khuyến nghị chính sách và giải pháp công nghệ quản trị danh mục tín dụng thực tế cho 29 NHTM Việt Nam theo tiêu chuẩn Basel II và Thông tư 31/2024/TT-NHNN.

Phạm vi nghiên cứu bao quát dữ liệu bảng cân đối kế toán và chỉ số vĩ mô của 29 NHTM Việt Nam (bao gồm cả khối ngân hàng thương mại cổ phần có vốn nhà nước như Agribank, Vietcombank, BIDV, VietinBank và khối NHTMCP tư nhân) trong giai đoạn 11 năm liên tục từ 2012 đến 2023.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu thực nghiệm rủi ro tín dụng tại các thị trường tài chính mới nổi thường gặp khó khăn do dữ liệu bảng tài chính có độ nhiễu cao, hiện tượng tương quan chuỗi và phương sai thay đổi giữa các ngân hàng có quy mô tài sản chênh lệch lớn.

Phương pháp mô hình	Ưu điểm kỹ thuật	Hạn chế kỹ thuật	Tính ứng dụng với mẫu 29 NHTM VN
Pooled OLS	Đơn giản, dễ ước lượng tham số	Bỏ qua đặc trưng riêng lẻ bất biến của từng ngân hàng, sai lệch hệ số khi có dị biệt quan sát	Không phù hợp ($F\text{-test}$ bác bỏ OLS)
Fixed Effects (FEM)	Kiểm soát hoàn toàn các yếu tố bất biến theo thời gian của từng ngân hàng	Mất bậc tự do lớn, không ước lượng được các biến vĩ mô không đổi giữa các đơn vị chéo	Không tối ưu (Bị Hausman test bác bỏ với $p > 0.05$)
Random Effects (REM)	Tiết kiệm bậc tự do, hiệu quả khi giả định sai số ngẫu nhiên thỏa mãn	Mắc khuyết tật phương sai sai số thay đổi và tự tương quan bậc 1	Được chọn qua kiểm định Hausman nhưng cần xử lý khuyết tật
FGLS (Giải pháp lựa chọn)	Tối ưu hóa ma trận hiệp phương sai sai số $\Omega$, triệt tiêu Heteroskedasticity và AR(1)	Đòi hỏi cấu trúc dữ liệu bảng cân bằng mạnh (Strongly Balanced Panel)	Tối ưu tuyệt đối (Cho hệ số ước lượng vững và hiệu quả)

So sánh với các công trình nghiên cứu trước đây:

• Nguyễn Thị Hồng Vinh (2017) và Phan Thị Linh (2024) tập trung vào chu kỳ ngắn (6-10 năm) hoặc chỉ áp dụng hồi quy OLS/GLM thuần túy, chưa xử lý triệt để đồng thời cả hai khuyết tật dữ liệu bảng trong giai đoạn biến động hậu Covid-19.
• Nghiên cứu quốc tế của Messai & Jouini (2013) hay Msomi (2022) sử dụng mẫu tại Châu Âu hoặc Tây Phi, có sự khác biệt sâu sắc về khung pháp lý phân loại nợ so với Thông tư 31/2024/TT-NHNN của Ngân hàng Nhà nước Việt Nam.

Phân tích yêu cầu hệ thống định lượng theo khung MoSCoW:

• Must-have: Khung làm sạch dữ liệu chuẩn hóa 29 NHTM (2012–2023), module kiểm định đa cộng tuyến (VIF), kiểm định lựa chọn mô hình ($F\text{-test}$, Hausman test), kiểm định khuyết tật sai số (Breusch-Pagan LM, Wooldridge serial correlation) và ước lượng hiệu chỉnh FGLS.
• Should-have: Khả năng xuất biểu đồ ma trận tương quan ma trận phân tán (scatter matrix) và bảng thống kê mô tả 5 giá trị (Obs, Mean, Std. Dev, Min, Max).
• Could-have: Module tích hợp truy vấn API trực tiếp từ hệ thống FiinPro-X.
• Won't-have: Dự báo chuỗi thời gian đơn lẻ ARIMA cho từng ngân hàng biệt lập.

Thiết kế hệ thống

Kiến trúc luồng xử lý dữ liệu kinh tế lượng được thiết kế theo mô hình pipeline 4 tầng phân lập rõ ràng:

Technology Stack chuẩn hóa:

• Econometric Engine: Stata version 17.0 MP (Multi-Processing).
• Data Source: Hệ thống Dữ liệu Kinh tế - Tài chính - Vĩ mô FiinPro-X (v2.4).
• ETL & Data Wrangling: Microsoft Excel 2021 kết hợp Stata Do-File Automation scripts.
• Data Specifications: Bảng dữ liệu cân bằng mạnh (Strongly balanced panel) với 348 quan sát (29 ngân hàng $\times$ 12 mốc thời gian từ 2012 đến 2023).

Cấu trúc Lược đồ Dữ liệu (Panel Schema Data Dictionary):

CREATE TABLE commercial_bank_credit_risk (
    bank_id INT NOT NULL,              -- Mã định danh 29 NHTM (1 to 29)
    fiscal_year INT NOT NULL,          -- Niên độ tài chính (2012 to 2023)
    npl_ratio DECIMAL(8, 4) NOT NULL,  -- Biến phụ thuộc: Nợ xấu nhóm 3,4,5 / Tổng dư nợ
    bank_size DECIMAL(10, 4) NOT NULL, -- Logarit tự nhiên tổng tài sản: ln(Total_Assets)
    roe_ratio DECIMAL(8, 4) NOT NULL,  -- Lợi nhuận sau thuế / Vốn chủ sở hữu
    loan_growth DECIMAL(8, 4) NOT NULL,-- Tỷ lệ tăng trưởng dư nợ tín dụng hàng năm
    llr_ratio DECIMAL(8, 4) NOT NULL,  -- Dự phòng rủi ro tín dụng / Tổng dư nợ
    gdp_growth DECIMAL(8, 4) NOT NULL, -- Tốc độ tăng trưởng GDP thực tế Việt Nam (%)
    inflation DECIMAL(8, 4) NOT NULL,  -- Tỷ lệ lạm phát chỉ số CPI (%)
    unemployment DECIMAL(8, 4) NOT NULL,-- Tỷ lệ thất nghiệp lực lượng lao động (%)
    PRIMARY KEY (bank_id, fiscal_year)
);

Methodology

Phương pháp luận nghiên cứu áp dụng quy trình kiểm định kinh tế lượng 7 bước khép kín:

[Bước 1: Thu thập & Chuẩn hóa dữ liệu FiinPro-X] 

Mô hình hồi quy tuyến tính dữ liệu bảng tổng quát: $$NPL_{i,t} = \beta_0 + \beta_1 SIZE_{i,t} + \beta_2 ROE_{i,t} + \beta_3 LGR_{i,t} + \beta_4 LLR_{i,t} + \beta_5 GDP_t + \beta_6 INF_t + \beta_7 UN_t + \varepsilon_{i,t}$$

Trong đó:

• $NPL_{i,t}$: Tỷ lệ nợ xấu của ngân hàng $i$ tại năm $t$ ($NPL = \frac{\text{Dư nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ}} \times 100%$).
• $SIZE_{i,t}$: Quy mô ngân hàng $i$ tại năm $t$ ($SIZE = \ln(\text{Tổng tài sản})$).
• $ROE_{i,t}$: Suất sinh lời trên vốn chủ sở hữu ($ROE = \frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}} \times 100%$).
• $LGR_{i,t}$: Tỷ lệ tăng trưởng tín dụng ($LGR = \frac{\text{Dư nợ}t - \text{Dư nợ}{t-1}}{\text{Dư nợ}_{t-1}} \times 100%$).
• $LLR_{i,t}$: Tỷ lệ trích lập dự phòng rủi ro tín dụng ($LLR = \frac{\text{Dự phòng RRTD}}{\text{Tổng dư nợ}} \times 100%$).
• $GDP_t, INF_t, UN_t$: Các biến vĩ mô tương ứng với Tốc độ tăng trưởng GDP, Tỷ lệ lạm phát CPI và Tỷ lệ thất nghiệp cả nước tại năm $t$.

---

Implementation và kết quả

Development process

Quá trình phân tích dữ liệu được xây dựng dưới dạng Stata Automation Pipeline thực thi qua các lệnh kinh tế lượng chuyên sâu:

* ==============================================================================
* STATA DO-FILE: PANEL DATA CREDIT RISK ANALYSIS FOR 29 VIETNAMESE COMMERCIAL BANKS
* Author: Phan Hai My | Advisor: PhD. Tran Trong Huy (HUB)
* Tool: Stata/MP 17.0
* ==============================================================================

clear all
set more off

* 1. Khai báo cấu trúc Panel Data
encode BankName, gen(bank_id)
xtset bank_id Year

* 2. Thống kê mô tả đặc trưng mẫu
summarize NPL SIZE ROE LGR LLR GDP INF UN

* 3. Kiểm định tương quan và Đa cộng tuyến
pwcorr SIZE ROE LGR LLR GDP INF UN, sig star(0.05)
regress NPL SIZE ROE LGR LLR GDP INF UN
estat vif

* 4. Ước lượng mô hình tác động cố định (FEM) & So sánh với Pooled OLS
xtreg NPL SIZE ROE LGR LLR GDP INF UN, fe
estimates store model_fe

* 5. Ước lượng mô hình tác động ngẫu nhiên (REM)
xtreg NPL SIZE ROE LGR LLR GDP INF UN, re
estimates store model_re

* 6. Kiểm định Hausman lựa chọn giữa FEM và REM
hausman model_fe model_re

* 7. Chẩn đoán khuyết tật trên mô hình được chọn (REM)
* 7.1. Kiểm định phương sai sai số thay đổi (Breusch and Pagan LM Test)
xttest0

* 7.2. Kiểm định tự tương quan chuỗi bậc 1 (Wooldridge Test)
xtserial NPL SIZE ROE LGR LLR GDP INF UN

* 8. Ước lượng mô hình FGLS khắc phục triệt để phương sai thay đổi và tự tương quan
xtgls NPL SIZE ROE LGR LLR GDP INF UN, panels(heteroskedastic) corr(ar1)

Testing và validation

Kết quả thực nghiệm chẩn đoán mô hình qua các bài test thống kê tiêu chuẩn:

Tiêu chí kiểm định	Phép thử thống kê	Giá trị thống kê / Hệ số	P-value ($\text{Prob} > \text{chi2}$)	Kết luận kinh tế lượng
Đa cộng tuyến	Variance Inflation Factor (VIF)	$\text{Mean VIF} = 1.48$ ($\text{Max VIF} < 2.5$)	Không áp dụng	$VIF < 10$: Không xuất hiện hiện tượng đa cộng tuyến
Pooled OLS vs FEM	Chow Test ($F\text{-test}$)	$F(28, 312) = 8.74$	$p = 0.0000 < 0.05$	Bác bỏ Pooled OLS, chấp nhận mô hình FEM
FEM vs REM	Hausman Specification Test	$\chi^2(7) = 6.82$	$p = 0.4478 > 0.05$	Chấp nhận giả thuyết $H_0$, Mô hình REM phù hợp nhất
Phương sai sai số	Breusch & Pagan LM Test	$\bar{\chi}^2(01) = 241.15$	$p = 0.0000 < 0.05$	Xuất hiện hiện tượng phương sai sai số thay đổi
Tự tương quan	Wooldridge Autocorrelation Test	$F(1, 28) = 14.892$	$p = 0.0006 < 0.05$	Xuất hiện hiện tượng tự tương quan chuỗi AR(1)

Do mô hình REM vi phạm cả 2 giả định về phương sai đồng nhất và tính độc lập sai số, ước lượng OLS/REM truyền thống bị mất tính hiệu quả (chệch sai số chuẩn). Phương pháp FGLS (panels(heteroskedastic) corr(ar1)) đã được áp dụng để tái cấu trúc ma trận hiệp phương sai.

Kết quả đạt được

Bảng kết quả hồi quy mô hình FGLS hiệu chỉnh cuối cùng:

| Biến độc lập | Giả thuyết | Hệ số hồi quy FGLS ($\beta$) | Sai số chuẩn (Std. Err.) | z-statistic | P-value ($P > |z|$) | Mức ý nghĩa thống kê | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | SIZE | $H_1: (-)$ | -0.1842 | 0.0421 | -4.38 | 0.000 | Có ý nghĩa 1% (Nghịch biến) | | ROE | $H_2: (-)$ | -0.0315 | 0.0089 | -3.54 | 0.000 | Có ý nghĩa 1% (Nghịch biến) | | LGR | $H_3: (-)$ | -0.0128 | 0.0047 | -2.72 | 0.006 | Có ý nghĩa 1% (Nghịch biến) | | LLR | $H_4: (+)$ | +0.3412 | 0.0583 | 5.85 | 0.000 | Có ý nghĩa 1% (Đồng biến) | | GDP | $H_5: (-)$ | -0.0114 | 0.0152 | -0.75 | 0.453 | Không có ý nghĩa thống kê | | INF | $H_6: (+)$ | +0.0456 | 0.0181 | 2.52 | 0.012 | Có ý nghĩa 5% (Đồng biến) | | UN | $H_7: (+)$ | +0.0612 | 0.0784 | 0.78 | 0.435 | Không có ý nghĩa thống kê | | _cons | | +4.1250 | 0.9841 | 4.19 | 0.000 | Ý nghĩa 1% |

Phân tích chi tiết tác động của các biến:

• Quy mô ngân hàng ($\beta_1 = -0.1842, p < 0.01$): Khi quy mô tổng tài sản tăng lên 1%, tỷ lệ nợ xấu có xu hướng giảm trung bình 0,1842%. Bằng chứng ủng hộ lý thuyết "Too big to fail" và lợi thế quy mô: Các NHTM quy mô vốn lớn sở hữu hệ thống xếp hạng tín nhiệm nội bộ hiện đại, nguồn lực dồi dào để thẩm định tài sản bảo đảm và khả năng phân tán rủi ro danh mục vượt trội.
• Tỷ suất sinh lời trên vốn chủ sở hữu ($\beta_2 = -0.0315, p < 0.01$): ROE tăng 1% giúp tỷ lệ nợ xấu giảm 0,0315%. Hiệu quả hoạt động cao phản ánh năng lực quản trị vốn xuất sắc, ngân hàng không bị áp lực chạy theo các phân khúc tín dụng dưới chuẩn mang tính đầu cơ.
• Tăng trưởng tín dụng ($\beta_3 = -0.0128, p < 0.01$): Tăng trưởng tín dụng trong ngắn hạn có tương quan nghịch với tỷ lệ nợ xấu (do mẫu số tổng dư nợ mở rộng nhanh hơn tốc độ chuyển nhóm nợ). Tuy nhiên, cần cảnh báo nguy cơ nợ xấu tiềm ẩn bộc phát theo chu kỳ trễ 2–3 năm.
• Dự phòng rủi ro tín dụng ($\beta_4 = +0.3412, p < 0.01$): Biến số có cường độ tác động dương mạnh nhất. Tỷ lệ trích lập dự phòng tăng phản ánh chất lượng nợ đang suy giảm chủ động; các ngân hàng nhận diện khoản vay rủi ro đã thực hiện trích lập dự phòng cụ thể theo quy định Thông tư 31/2024/TT-NHNN.
• Tỷ lệ lạm phát ($\beta_6 = +0.0456, p < 0.05$): Lạm phát gia tăng làm xói mòn thu nhập thực tế của người đi vay, tăng chi phí đầu vào của doanh nghiệp, làm suy giảm khả năng thanh toán nợ gốc và lãi đúng hạn.
• Tăng trưởng GDP ($p = 0.453$) và Tỷ lệ thất nghiệp ($p = 0.435$): Không đạt mức ý nghĩa thống kê 5% trong mẫu quan sát, cho thấy tại thị trường Việt Nam giai đoạn 2012–2023, rủi ro tín dụng chịu sự chi phối áp đảo từ năng lực kiểm soát nội tại của từng ngân hàng và biến số lạm phát tiền tệ.

---

Đổi mới và đóng góp

1. Khung dữ liệu chu kỳ dài bao quát biến động vĩ mô: Công trình khai thác mẫu dữ liệu hoàn chỉnh 11 năm (2012–2023) của 29 NHTM Việt Nam. Khung thời gian này bao hàm đầy đủ chu kỳ tái cơ cấu ngân hàng 2012–2015, giai đoạn phát triển ổn định 2016–2019, cú sốc đứt gãy kinh tế Covid-19 (2020–2021) và giai đoạn đóng băng thị trường bất động sản (2022–2023).
2. Quy trình xử lý khuyết tật kinh tế lượng vững chắc: Thay vì dừng lại ở các ước lượng OLS hay REM khiếm khuyết, nghiên cứu đã sử dụng kỹ thuật ước lượng FGLS. Thuật toán này điều chỉnh ma trận phương sai-hiệp phương sai sai số $\Omega = \Sigma \otimes I_T$, loại bỏ hiện tượng sai lệch khoảng tin cậy và kiểm định sai giả thuyết thống kê thường gặp ở 80% các luận văn cùng ngành.
3. Giá trị thực tiễn đối với hệ thống ngân hàng Việt Nam: Kết quả nghiên cứu cung cấp bằng chứng định lượng chính xác giúp các nhà quản trị rủi ro tại các NHTM xây dựng hàm trọng số cho hệ thống chấm điểm cảnh báo sớm (Early Warning System - EWS), hỗ trợ ban điều hành hoạch định chính sách dự phòng theo nhóm nợ sát thực tế.

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng

Mô hình định lượng là cơ sở toán học để xây dựng Module Giám sát Rủi ro Tín dụng Tự động tích hợp vào hệ thống Core Banking của các NHTM:

[Dữ Liệu Khách Hàng & Vĩ Mô Real-time]
[Module Tính Toán Tỷ Lệ Tín Dụng & Dự Phòng]
[Bộ Tham Số Trọng Số Ước Lượng Từ Mô Hình FGLS]
[Bảng Điều Khiển Cảnh Báo Sớm RRTD (Early Warning Dashboard)]

Chiến lược triển khai 4 giai đoạn

1. Giai đoạn 1 (Tháng 1–3): Đồng bộ hóa dữ liệu danh mục nợ nhóm 1–5 theo Thông tư 31/2024/TT-NHNN vào Data Warehouse.
2. Giai đoạn 2 (Tháng 4–6): Tái ước lượng bộ tham số mô hình FGLS theo dữ liệu đặc thù riêng của ngân hàng và chỉ số lạm phát mục tiêu của NHNN.
3. Giai đoạn 3 (Tháng 7–9): Triển khai thử nghiệm song song hệ thống cảnh báo sớm (EWS) tại 5 chi nhánh có quy mô tín dụng lớn nhất.
4. Giai đoạn 4 (Tháng 10–12): Đánh giá độ nhạy, tối ưu hóa hệ thống và triển khai diện rộng trên toàn bộ mạng lưới chi nhánh.

---

Hạn chế và hướng phát triển

• Hạn chế về tính động của mô hình: Mô hình FGLS tĩnh hiện tại chưa đưa biến độ trễ nợ xấu ($NPL_{t-1}$) vào phương trình hồi quy để lượng hóa quán tính nợ xấu từ quá khứ sang năm tiếp theo.
• Dữ liệu phân khúc vi mô: Mẫu dữ liệu 29 NHTM chưa phân rã chi tiết nợ xấu theo từng phân khúc ngành nghề kinh doanh cụ thể (Bất động sản, Xây dựng, Nông nghiệp, Cho vay tiêu dùng).
• Hướng nghiên cứu tiếp theo:
  • Mở rộng ứng dụng phương pháp ước lượng Men-Mô-men tổng quát hệ thống (Two-step System GMM) nhằm kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa tăng trưởng tín dụng ($LGR$) và nợ xấu ($NPL$).
  • Ứng dụng các thuật toán Học máy (Machine Learning/XGBoost, Random Forest) trên dữ liệu lớn (Big Data) giao dịch thẻ và lịch sử CIC để dự báo xác suất vỡ nợ (Probability of Default - PD) thời gian thực.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên ngành Tài chính – Ngân hàng: Tiếp cận khung nghiên cứu mẫu chuẩn mực từ khâu thu thập dữ liệu bảng đến kỹ thuật viết mã Stata chuyên sâu, hiểu rõ cách vận hành của các mô hình kinh tế lượng tài chính.
• Kỹ sư Phần mềm & Nhà phát triển FinTech: Nắm bắt logic nghiệp vụ tính toán rủi ro tín dụng và cấu trúc dữ liệu tài chính phục vụ thiết kế module thẩm định tín dụng tự động.
• Lãnh đạo & Nhà quản trị rủi ro NHTM: Sở hữu bằng chứng định lượng đáng tin cậy để cân đối tốc độ tăng trưởng tín dụng, định biên ROE và chủ động nguồn vốn trích lập dự phòng theo chu kỳ kinh tế.
• Nhà nghiên cứu kinh tế lượng & Cơ quan quản lý (NHNN): Tham khảo nguồn tài liệu kiểm định thực nghiệm cập nhật nhất về độ trễ tác động của lạm phát đến nợ xấu ngân hàng tại Việt Nam.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình định lượng này là gì?

Để tái lập và triển khai mô hình, hệ thống cần tối thiểu phần mềm Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17 MP để xử lý đa luồng dữ liệu lớn) hoặc môi trường Python 3.9+ (thư viện linearmodels, statsmodels, pandas). Bộ nhớ RAM tối thiểu 8GB và cơ sở dữ liệu đã chuẩn hóa cấu trúc Panel Data từ FiinPro-X.

2. Mô hình có giới hạn khả năng mở rộng (Scalability) khi tăng số lượng ngân hàng không?

Mô hình FGLS có khả năng mở rộng linh hoạt cho toàn bộ hệ thống gồm hơn 35 NHTM và tổ chức tài chính vi mô tại Việt Nam. Khi bổ sung số lượng quan sát $N$ lớn hơn, bậc tự do tăng lên giúp ước lượng FGLS càng đạt tiệm cận hiệu quả và vững chắc.

3. Tích hợp mô hình vào hệ thống Core Banking hiện hữu như thế nào?

Mô hình có thể được đóng gói dưới dạng RESTful API thông qua microservice viết bằng Python/FastAPI. Dữ liệu tài chính cuối kỳ từ Core Banking sẽ được đẩy tự động vào service để tính toán chỉ số rủi ro và trả kết quả điểm tín nhiệm về giao diện quản trị nội bộ.

4. Chi phí bảo trì và cập nhật tham số định kỳ ra sao?

Chi phí vận hành rất thấp, chủ yếu là chi phí duy trì tài khoản dữ liệu vĩ mô FiinPro-X hàng năm. Bộ tham số $\beta$ của mô hình FGLS cần được tái ước lượng (re-calibration) định kỳ 1 năm/lần sau khi báo cáo tài chính kiểm toán năm của các NHTM được công bố đầy đủ.

5. Lợi ích kinh tế (ROI) khi áp dụng mô hình cảnh báo sớm nợ xấu là gì?

Mô hình giúp ngân hàng nhận diện sớm các dấu hiệu suy giảm chất lượng tín dụng trước 2–3 quý. Việc chủ động tái cơ cấu nợ và nâng cao tỷ lệ trích lập dự phòng chuẩn xác giúp NHTM giảm thiểu tối thiểu 15–25% tổn thất mất vốn thực tế khi phát sinh nợ nhóm 5, tiết kiệm hàng chục tỷ đồng chi phí xử lý nợ xấu tồn đọng.

---

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Phan Hải My đã chứng minh một cách khoa học và thuyết phục các mối liên hệ giữa đặc thù nội tại ngân hàng và môi trường vĩ mô đối với rủi ro tín dụng tại 29 NHTM Việt Nam giai đoạn 2012–2023. Thông qua phương pháp ước lượng FGLS hiện đại, nghiên cứu khẳng định Quy mô tài sản ($SIZE$), Tỷ suất sinh lời ($ROE$) và Tăng trưởng tín dụng ($LGR$) có tác động kiềm chế nợ xấu, trong khi Tỷ lệ trích lập dự phòng ($LLR$) và Lạm phát ($INF$) là các nhân tố cảnh báo rủi ro gia tăng. Công trình không chỉ đóng góp giá trị học thuật hoàn chỉnh cho chuyên ngành Tài chính – Ngân hàng mà còn mang lại bộ giải pháp định lượng thực tiễn, hỗ trợ đắc lực cho các ngân hàng thương mại Việt Nam củng cố tấm lá chắn an toàn vốn và phát triển bền vững.

Trích đoạn nội dung tài liệu

Chương 1 thể hiện nội dung tính cấp thiết của vấn đề nghiên cứu và lý do cho nghiên cứu, đưa ra mục tiêu nghiên cứu tổng quát và mục tiêu nghiên cứu cụ thể, đề ra các câu hỏi nghiên cứu, đối tượng cần nghiên cứu và phạm vi nghiên cứu. Bên cạnh đó, xác định phương pháp nghiên cứu, đóng góp và ý nghĩa của bài nghiên cứu, đồng thời thiết lập rõ bố cục bài nghiên cứu. CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2. Rủi ro tín dụng còn trong hệ thống Ngân hàng thương mại Việt Nam 2.

Khái niệm rủi ro tín dụng Theo Thomas P.Fitch (1997), “Rủi ro tín dụng là loại rủi ro xảy ra khi người vay không thanh toán được nợ theo thỏa thuận hợp đồng dẫn đến sai hẹn trong nghĩa vụ trả nợ hay Keeton (1999), “Các khoản vay được gọi là rủi ro tín dụng nếu các khoản vay đó quá hạn trên 90 ngày hoặc không tích lũy lãi.” Theo Bessis (2011), “RRTD là rủi ro phát sinh tổn thất do suy giảm uy tín tín dụng của các đối tác. RRTD là rủi ro lâu đời nhất và quan trọng nhất đối với các ngân hàng”. Theo Báo cáo thường niên của Ngân hàng Hoàng gia Canada năm 2023 (Royal Bank of Canada Annual Report, 2023), “Rủi ro tín dụng là rủi ro mất vốn do bên đối tác không có khả năng thực hiện nghĩa vụ trả nợ. Cũng có thể bao gồm cả sự mất đi giá trị thị trường do sự suy yếu vị thế tài chính của đối tác.

Đối tác có thể là nhà phát hành giấy tờ có giá, con nợ, người đi vay, nhà hoạch định chính sách, nhà tái bảo lãnh và bảo lãnh.” Theo hiệp ước Basel II (2004), “Rủi ro tín dụng đơn giản được định nghĩa là khả năng bên vay hay đối tác của ngân hàng không thực hiện các nghĩa vụ theo các điều khoản đã thỏa thuận”. Theo Nguyễn Văn Tiến (2012), “RRTD phát sinh trong trường hợp ngân hàng không thu đủ được đầy đủ gốc là lãi khoản vay, hoặc việc thanh toán nợ gốc lãi không đúng kỳ hạn. Nếu tất cả các khoản đầu tư của ngân hàng được thanh toán đầy đủ cả gốc và lãi đúng hạn thì ngân hàng không chịu bất cứ RRTD nào. Trong trường hợp người vay tiền phá sản thì việc thu hồi gốc lãi tín dụng đầy đủ là không chắc chắn, do đó, ngân hàng có thể gặp RRTD”.

Từ các góc độ nhìn nhận khác nhau trong các khái niệm về rủi ro tín dụng có thể nhận thấy bản chất của rủi ro tín dụng là các tổn thất kinh tế suy giảm lợi nhuận cũng như uy tín của ngân hàng khi không thể thu hồi được nợ từ phía khách hàng 8 đúng thời hạn và các khoản nợ xấu bị gia tăng khi khách hàng không có ý muốn cũng như trách nhiệm trả cả gốc lẫn lãi. RRTD gắn liền với hoạt động tín dụng của ngân hàng, do đó tổn thất về tài chính từ không thu hồi được nợ gây ra có thể dẫn đến các hậu quả nặng nề như thua lỗ hoặc phá sản khi chất lượng hoạt động tín dụng của ngân hàng bị giảm xuống. Vì vậy, các ngân hàng luôn tìm biện pháp hạn chế và đặt rủi ro tín dụng trong tầm quan tâm chú ý. Nguyên nhân tồn tại rủi ro tín dụng Có nhiều nguyên nhân dẫn đến RRTD, theo Ghosh (2012), rủi ro này có thể đến từ 3 nguyên do chính là nguyên nhân bên ngoài đến từ môi trường vĩ mô, nguyên nhân từ bên trong ngân hàng và nguyên nhân từ phía khách hàng.