Các Yếu Tố Tác Động Đến Rủi Ro Tín Dụng Của Các Ngân Hàng Thương Mại Việt Nam

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 cho ngành tài chính.

• Tác giả: Nguyễn Anh Thy
• Người hướng dẫn: TS. Hồ Thị Ngọc Tuyền
• 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

• MỞ ĐẦU
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT KHÓA LUẬN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.2.1. Mục tiêu tổng quát
• 1.2.2. Mục tiêu cụ thể
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Nội dung nghiên cứu
• 1.7. Ý nghĩa của nghiên cứu
• 1.8. Bố cục nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU
• 2.1. Cơ sở lý thuyết về rủi ro tín dụng trong hoạt động của NHTM
• 2.2. Khái niệm về rủi ro tín dụng
• 2.3. Phân loại rủi ro tín dụng
• 2.4. Nguyên nhân dẫn đến rủi ro tín dụng tại các NHTM
• 2.4.1. Nhóm yếu tố vĩ mô
• 2.4.2. Nhóm yếu tố nội tại của NHTM
• 2.5. Tác động của rủi ro tín dụng
• 2.5.1. Tác động đến nền kinh tế
• 2.5.2. Tác động đến hoạt động của ngân hàng
• 2.6. Tổng quan các nghiên cứu trước
• 2.6.1. Các nghiên cứu trong nước
• 2.6.2. Các nghiên cứu nước ngoài
• 2.7. Khe hở của nghiên cứu
• 3. CHƯƠNG 3: MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Quy trình nghiên cứu tổng quát
• 3.2. Mô hình nghiên cứu đề xuất
• 3.3. Giả thuyết và phương pháp đo lường các biến
• 3.4. Chọn mẫu và thu thập dữ liệu
• 3.5. Phương pháp xử lý số liệu
• 3.6. Phương pháp hồi quy. Các kiểm định trong mô hình
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 4.1. Phân tích thống kê mô tả
• 4.2. Phân tích tương quan
• 4.3. Phân tích đa cộng tuyến
• 4.4. Ước lượng và lựa chọn mô hình hồi quy
• 4.5. Kết quả nghiên cứu. Kiểm định lựa chọn mô hình OLS và mô hình FEM
• 4.6. Kiểm định lựa chọn mô hình FEM và mô hình REM
• 4.7. Kiểm định các khuyết tật của mô hình
• 4.8. Kiểm định phương sai sai số thay đổi
• 4.9. Kiểm định hiện tượng tự tương quan
• 4.10. Khắc phục khuyết tật mô hình bằng phương pháp hồi quy
• 4.11. Thảo luận kết quả nghiên cứu
• 5. CHƯƠNG 5: KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH
• 5.1. Đề xuất các hàm ý quản trị đối với các NHTM
• 5.2. Hạn chế của đề tài và hướng phát triển tiếp theo
• 5.2.1. Hạn chế của đề tài
• 5.2.2. Hướng nghiên cứu tiếp theo của đề tài
• TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC BẢNG VÀ HÌNH

Tóm tắt

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

Rủi ro tín dụng là một trong những vấn đề quan trọng nhất mà các ngân hàng thương mại Việt Nam phải đối mặt. Hoạt động tín dụng không chỉ ảnh hưởng đến lợi nhuận của ngân hàng mà còn tác động đến sự ổn định của toàn bộ hệ thống tài chính. Trong bối cảnh nền kinh tế Việt Nam đang hội nhập sâu rộng, việc hiểu rõ các yếu tố tác động đến rủi ro tín dụng là rất cần thiết.

1.1. Khái niệm và phân loại rủi ro tín dụng

Rủi ro tín dụng có thể được định nghĩa là khả năng người vay không thực hiện nghĩa vụ trả nợ. Phân loại rủi ro tín dụng bao gồm rủi ro tín dụng cá nhân, rủi ro tín dụng doanh nghiệp và rủi ro tín dụng quốc gia.

1.2. Tầm quan trọng của rủi ro tín dụng trong ngân hàng

Rủi ro tín dụng ảnh hưởng trực tiếp đến lợi nhuận và khả năng thanh khoản của ngân hàng. Nếu không được quản lý tốt, nó có thể dẫn đến tình trạng nợ xấu gia tăng, ảnh hưởng đến uy tín và hoạt động của ngân hàng.

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

Nghiên cứu cho thấy có nhiều yếu tố tác động đến rủi ro tín dụng của các ngân hàng thương mại Việt Nam. Những yếu tố này có thể được chia thành hai nhóm chính: yếu tố vĩ mô và yếu tố vi mô.

2.1. Yếu tố vĩ mô ảnh hưởng đến rủi ro tín dụng

Các yếu tố vĩ mô như tình hình kinh tế, lạm phát và chính sách tiền tệ có thể tác động lớn đến khả năng trả nợ của người vay. Khi nền kinh tế suy thoái, tỷ lệ nợ xấu có xu hướng tăng cao.

2.2. Yếu tố vi mô ảnh hưởng đến rủi ro tín dụng

Yếu tố vi mô bao gồm khả năng quản lý rủi ro của ngân hàng, quy trình thẩm định tín dụng và chất lượng tài sản. Những ngân hàng có quy trình thẩm định tín dụng chặt chẽ thường có tỷ lệ nợ xấu thấp hơn.

III. Phương pháp nghiên cứu và mô hình phân tích rủi ro tín dụng

Để phân tích các yếu tố tác động đến rủi ro tín dụng, nghiên cứu sử dụng phương pháp hồi quy và phân tích dữ liệu từ 24 ngân hàng thương mại Việt Nam trong giai đoạn 2013-2023.

3.1. Phương pháp hồi quy OLS và FEM

Mô hình hồi quy OLS và FEM được sử dụng để xác định mối quan hệ giữa các yếu tố tác động và rủi ro tín dụng. Kết quả cho thấy có 5 yếu tố chính có ảnh hưởng đáng kể đến rủi ro tín dụng.

3.2. Kiểm định và lựa chọn mô hình phù hợp

Nghiên cứu sử dụng kiểm định F-test và Hausman để lựa chọn mô hình phù hợp nhất cho phân tích. Mô hình FGLS được áp dụng để khắc phục các khuyết tật của mô hình.

IV. Kết quả nghiên cứu và thảo luận về rủi ro tín dụng

Kết quả nghiên cứu cho thấy rằng khả năng sinh lời, tỷ lệ tăng trưởng tín dụng, quy mô ngân hàng, tỷ lệ dự phòng rủi ro tín dụng và tỷ lệ lạm phát đều có tác động đến rủi ro tín dụng của các ngân hàng thương mại Việt Nam.

4.1. Phân tích các yếu tố tác động đến rủi ro tín dụng

Khả năng sinh lời và tỷ lệ tăng trưởng tín dụng có tác động ngược chiều đến rủi ro tín dụng, trong khi tỷ lệ dự phòng rủi ro tín dụng và tỷ lệ lạm phát có tác động cùng chiều.

4.2. Thảo luận về kết quả nghiên cứu

Kết quả nghiên cứu cung cấp cái nhìn sâu sắc về các yếu tố ảnh hưởng đến rủi ro tín dụng, từ đó giúp các ngân hàng có thể điều chỉnh chiến lược quản lý rủi ro hiệu quả hơn.

V. Kết luận và khuyến nghị chính sách cho ngân hàng thương mại

Nghiên cứu kết luận rằng việc quản lý rủi ro tín dụng là rất quan trọng đối với sự ổn định của hệ thống ngân hàng thương mại Việt Nam. Các ngân hàng cần áp dụng các biện pháp quản lý rủi ro hiệu quả để giảm thiểu nợ xấu.

5.1. Đề xuất chính sách quản lý rủi ro tín dụng

Các ngân hàng nên cải thiện quy trình thẩm định tín dụng và tăng cường dự phòng rủi ro để giảm thiểu tác động của nợ xấu.

5.2. Hướng nghiên cứu tiếp theo

Nghiên cứu có thể mở rộng để xem xét các yếu tố khác như tác động của công nghệ tài chính đến rủi ro tín dụng trong tương lai.

Nội dung chính

Giới thiệu dự án

Hoạt động cấp tín dụng đóng vai trò là động lực huyết mạch trong việc cung ứng vốn cho nền kinh tế và mang lại nguồn thu nhập cốt lõi (chiếm từ 70% - 80% tổng thu nhập) của các Ngân hàng Thương mại (NHTM) Việt Nam. Tuy nhiên, theo các báo cáo tài chính giai đoạn 2013 - 2023 và thống kê từ Ngân hàng Nhà nước (NHNN), ngành ngân hàng đối mặt với những biến động phức tạp về rủi ro tín dụng (RRTD), đặc biệt là sau cuộc khủng hoảng nợ xấu 2011 - 2013, sự thành lập của VAMC theo Nghị định số 53/2013/NĐ-CP, và sự gián đoạn kinh tế hậu đại dịch COVID-19 (2021 - 2023). Nợ xấu gia tăng không chỉ bào mòn lợi nhuận qua chi phí trích lập dự phòng mà còn đe dọa tính thanh khoản, uy tín và sự an toàn của toàn hệ thống tài chính quốc gia.

+-----------------------------------------------------------------------------------+
|                        BỐI CẢNH NGHIÊN CỨU & VẤN ĐỀ CỐT LÕI                       |
+-----------------------------------------------------------------------------------+
| 1. Biến động chu kỳ kinh tế 2013-2023: Tác động hậu COVID-19 & lạm phát tăng cao  |
| 2. Áp lực an toàn vốn theo Basel II / Basel III và Thông tư 41/2016/TT-NHNN       |
| 3. Xung đột giữa mục tiêu tăng trưởng tín dụng và kiểm soát chất lượng nợ         |
| 4. Khuyết tật thống kê trong dữ liệu bảng (Heteroskedasticity & Autocorrelation)  |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu cụ thể

Các ngân hàng thương mại Việt Nam đang gặp phải những điểm nghẽn nghiêm trọng:

• Thiếu hụt mô hình lượng hóa chuẩn xác đa biến kết hợp đồng thời các yếu tố vi mô (nội tại ngân hàng) và vĩ mô (chu kỳ kinh tế) để dự báo tỷ lệ nợ xấu (NPL).
• Hiện tượng suy giảm biên lợi nhuận do trích lập dự phòng rủi ro tín dụng (LLR) tăng vọt khi chất lượng danh mục cho vay xuống cấp.
• Áp lực từ chính sách tiền tệ thắt chặt và lạm phát tăng cao làm suy giảm khả năng trả nợ của khách hàng cá nhân và doanh nghiệp.

Mục tiêu của đề tài

1. Hệ thống hóa cơ sở lý luận về rủi ro tín dụng, phân loại rủi ro giao dịch, rủi ro danh mục và cơ chế truyền dẫn của các cú sốc kinh tế đến chất lượng tín dụng.
2. Xác định và lượng hóa các biến tác động: Khảo sát thực nghiệm tác động của 4 biến vi mô (ROE, CRE, LLR, SIZE) và 3 biến vĩ mô (UNT, GDP, INF) lên tỷ lệ nợ xấu ($NPL$).
3. Kiểm định và khắc phục khuyết tật mô hình: Thực hiện kiểm định F-test, Hausman, kiểm định đa cộng tuyến (VIF), phương sai sai số thay đổi (Modified Wald) và tự tương quan (Wooldridge test); từ đó ứng dụng phương pháp bình phương tối thiểu tổng quát khả thi (FGLS) để đảm bảo ước lượng không chệch và hiệu quả.
4. Đề xuất khuyến nghị chính sách và quản trị: Xây dựng hệ thống giải pháp nâng cao hiệu quả thẩm định tín dụng, quản trị dự phòng rủi ro và điều hành vĩ mô cho NHNN và NHTM.

Phương pháp tiếp cận giải pháp

Nghiên cứu áp dụng phương pháp định lượng hồi quy dữ liệu bảng (Panel Data) trên mẫu gồm 24 NHTM cổ phần Việt Nam trong chuỗi thời gian 11 năm (2013 - 2023), tổng cộng 264 quan sát ($N = 24, T = 11$). Quy trình tiếp cận đi từ mô hình gộp Pooled OLS, mô hình tác động cố định (FEM), mô hình tác động ngẫu nhiên (REM), và chuẩn hóa bằng ước lượng FGLS để triệt tiêu hoàn toàn các sai số ngẫu nhiên không đồng nhất.

Kết quả kỳ vọng

• Mô hình xác định chính xác các trọng số tác động ($\beta$) với mức ý nghĩa thống kê $p < 0.01$ và $p < 0.05$.
• Cung cấp mô hình định lượng làm chuẩn tham chiếu cho hệ thống cảnh báo sớm (Early Warning System - EWS) nợ xấu tại các ngân hàng.

Phạm vi và giới hạn

• Không gian: 24 NHTM cổ phần tại Việt Nam (chiếm hơn 85% tổng tài sản và dư nợ toàn hệ thống).
• Thời gian: Giai đoạn 2013 – 2023.
• Giới hạn: Nghiên cứu tập trung vào nợ xấu kế toán nội bảng theo Thông tư 11/2021/TT-NHNN và Thông tư 14/2023/TT-NHNN; chưa bao gồm các khoản nợ tiềm ẩn ngoài bảng cân đối kế toán.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nhiều nghiên cứu trước đây tại Việt Nam và quốc tế đã tiếp cận vấn đề rủi ro tín dụng nhưng tồn tại các khoảng trống phương pháp luận và dữ liệu:

Phương pháp / Mô hình	Ưu điểm	Nhược điểm / Hạn chế	Phạm vi ứng dụng
Cross-sectional OLS	Đơn giản, dễ tính toán trên mẫu cắt ngang	Bỏ qua yếu tố thời gian, vi phạm giả định phương sai đồng nhất	Phân tích sơ bộ tại 1 thời điểm
Static Panel (FEM / REM)	Kiểm soát được tính không đồng nhất giữa các ngân hàng	Thường vi phạm hiện tượng tự tương quan $AR(1)$ và phương sai thay đổi	Nghiên cứu dữ liệu bảng cơ bản
FGLS (Phương pháp đề xuất)	Khắc phục hoàn toàn phương sai sai số thay đổi và tự tương quan bậc nhất	Đòi hỏi kích thước mẫu $N$ và $T$ đủ lớn để ước lượng ma trận hiệp phương sai	Dữ liệu bảng tài chính - ngân hàng phức tạp

+---------------------------------------------------------------------------------------------------+
|                              SO SÁNH VỚI CÁC CÔNG TRÌNH TIỀN NHIỆM                                |
+------------------------------------+-----------------------+--------------------------------------+
| Tác giả & Năm công bố              | Mẫu dữ liệu           | Phương pháp & Kết quả chính          |
+------------------------------------+-----------------------+--------------------------------------+
| Võ Thị Quý & Bùi Ngọc Toản (2014)  | 26 NHTM (2009 - 2012) | System GMM; GDP (-), CRE (+), NPL_1  |
| Lê Thanh Tâm và cộng sự (2021)     | 35 NHTM (2012 - 2020) | FEM/REM; Lãi suất (+), ROE (-)       |
| Louzis và cộng sự (2012)           | Ngân hàng Hy Lạp      | Dynamic Panel; GDP (-), UNT (+)      |
| Hazimi & William (2020)            | 40 NH Indonesia       | GMM/FEM; INF (+), ROE (-), CRE (-)   |
| Đề tài hiện tại (Nguyễn Anh Thy)   | 24 NHTM (2013 - 2023) | FGLS; ROE (-), CRE (-), SIZE (-),    |
|                                    | (Bao phủ hậu COVID)   | LLR (+), INF (+)                     |
+------------------------------------+-----------------------+--------------------------------------+

Phân tích yêu cầu hệ thống định lượng (MoSCoW Prioritization)

• Must have: Tập dữ liệu chuẩn hóa 264 quan sát; loại bỏ hiện tượng đa cộng tuyến với $VIF < 10$; khắc phục phương sai thay đổi và tự tương quan bằng FGLS.
• Should have: So sánh kiểm định lựa chọn mô hình thông qua F-test và Hausman test; phân tích ma trận tương quan Pearson.
• Could have: Tích hợp các kịch bản kiểm tra sức chịu tải (Stress-testing) khi lạm phát (INF) tăng từ 3% lên 6%.
• Won't have: Mô hình hồi quy phi tuyến tính Machine Learning (Random Forest/XGBoost) do yêu cầu giữ tính diễn giải kinh tế lượng chuẩn mực.

Thiết kế hệ thống mô hình kinh tế lượng

Mô hình nghiên cứu thực nghiệm tổng quát được thiết kế dưới dạng phương trình hồi quy tuyến tính dữ liệu bảng:

$$NPL_{i,t} = \beta_0 + \beta_1 ROE_{i,t} + \beta_2 CRE_{i,t} + \beta_3 LLR_{i,t} + \beta_4 SIZE_{i,t} + \beta_5 UNT_t + \beta_6 GDP_t + \beta_7 INF_t + \varepsilon_{i,t}$$

Danh mục biến và công thức đo lường kỹ thuật

Mã biến	Phân loại	Tên biến	Đơn vị / Công thức đo lường	Kỳ vọng dấu
NPL	Phụ thuộc	Tỷ lệ nợ xấu	$\frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ cho vay}} \times 100%$	-
ROE	Độc lập (Vi mô)	Khả năng sinh lời	$\frac{\text{Lợi nhuận sau thuế}}{\text{Vốn chủ sở hữu}} \times 100%$	(-)
CRE	Độc lập (Vi mô)	Tăng trưởng tín dụng	$\frac{\text{Dư nợ}t - \text{Dư nợ}{t-1}}{\text{Dư nợ}_{t-1}} \times 100%$	(-)
LLR	Độc lập (Vi mô)	Tỷ lệ dự phòng RRTD	$\frac{\text{Dự phòng RRTD}}{\text{Tổng dư nợ cho vay}} \times 100%$	(+)
SIZE	Độc lập (Vi mô)	Quy mô ngân hàng	$\log(\text{Tổng tài sản})$	(-)
UNT	Độc lập (Vĩ mô)	Tỷ lệ thất nghiệp	Niên giám Thống kê GSO (%)	(+)
GDP	Độc lập (Vĩ mô)	Tăng trưởng kinh tế	Tốc độ tăng trưởng GDP cả nước (%)	(-)
INF	Độc lập (Vĩ mô)	Tỷ lệ lạm phát	Chỉ số giá tiêu dùng CPI bình quân (%)	(+)

Phương pháp nghiên cứu

Nghiên cứu tuân thủ quy trình 6 bước chuẩn mực trong kinh tế lượng ứng dụng:

1. Data Gathering & Cleaning: Trích xuất dữ liệu từ báo cáo tài chính kiểm toán của 24 NHTM và Tổng cục Thống kê.
2. Exploratory Data Analysis: Thống kê mô tả (Mean, SD, Min, Max), ma trận hệ số tương quan Pearson.
3. Baseline Estimation: Chạy mô hình Pooled OLS, FEM và REM trên Stata 17.0 MP.
4. Model Selection Diagnostics: Áp dụng F-test (so sánh OLS vs FEM) và Hausman test (so sánh FEM vs REM).
5. Robustness & Diagnostic Checks: Kiểm tra VIF, kiểm định Wald cải biên cho phương sai sai số thay đổi nhóm, kiểm định Wooldridge cho tự tương quan sai số bậc 1.
6. Remedial Estimation via FGLS: Ước lượng mô hình bình phương tối thiểu tổng quát khả thi để hiệu chỉnh hoàn toàn ma trận hiệp phương sai sai số.

---

Implementation và kết quả

Quy trình triển khai và cấu trúc mã nguồn Stata

Dữ liệu bảng được quản lý và xử lý thông qua kịch bản Do-File trên phần mềm Stata 17.0. Quy trình xử lý và mã lệnh được chuẩn hóa như sau:

* ==============================================================================
* KHÓA LUẬN: CÁC YẾU TỐ TÁC ĐỘNG ĐẾN RỦI RO TÍN DỤNG NHTM VIỆT NAM (2013 - 2023)
* Tác giả: Nguyễn Anh Thy - HUB (2024)
* Phần mềm: Stata 17.0 MP
* ==============================================================================

* 1. Khai báo cấu trúc dữ liệu bảng cân bằng
clear all
import excel "Dataset_NHTM_2013_2023.xlsx", sheet("PanelData") firstrow
destring Bank_ID Year NPL ROE CRE LLR SIZE UNT GDP INF, replace
xtset Bank_ID Year

* 2. Thống kê mô tả và phân tích tương quan
summarize NPL ROE CRE LLR SIZE UNT GDP INF
pwcorr NPL ROE CRE LLR SIZE UNT GDP INF, sig star(0.05)

* 3. Kiểm định Đa cộng tuyến (VIF) trên mô hình nền tảng
regress NPL ROE CRE LLR SIZE UNT GDP INF
estat vif

* 4. Ước lượng Mô hình Pooled OLS, FEM và REM
regress NPL ROE CRE LLR SIZE UNT GDP INF
estimates store OLS_model

xtreg NPL ROE CRE LLR SIZE UNT GDP INF, fe
estimates store FEM_model

xtreg NPL ROE CRE LLR SIZE UNT GDP INF, re
estimates store REM_model

* 5. Kiểm định lựa chọn mô hình tối ưu
* Kiểm định F-test (OLS vs FEM) được hiển thị trực tiếp ở cuối output xtreg, fe
* Kiểm định Hausman (FEM vs REM)
hausman FEM_model REM_model

* 6. Kiểm định các khuyết tật của mô hình dữ liệu bảng
* a. Kiểm tra phương sai sai số thay đổi (Modified Wald Test cho FEM)
xtreg NPL ROE CRE LLR SIZE UNT GDP INF, fe
xttest3

* b. Kiểm tra hiện tượng tự tương quan bậc nhất AR(1) (Wooldridge Test)
xtserial NPL ROE CRE LLR SIZE UNT GDP INF

* 7. Khắc phục khuyết tật mô hình bằng Phương pháp FGLS (Cross-sectional Time-series FGLS)
xtgls NPL ROE CRE LLR SIZE UNT GDP INF, panels(heteroskedastic) corr(ar1)
estimates store FGLS_final

Kết quả kiểm định và thống kê thực nghiệm

1. Thống kê mô tả mẫu nghiên cứu ($N=24, T=11, \text{Obs}=264$)

• Biến NPL (Tỷ lệ nợ xấu): Giá trị trung bình đạt $0.0213$ ($2.13%$), độ lệch chuẩn $0.0239$. Giá trị nhỏ nhất là $0.00%$ (Ngân hàng TMCP Việt Á các năm 2018, 2019), giá trị lớn nhất đạt $29.80%$ ($0.298$) tại Ngân hàng TMCP Quốc Dân (NCB) năm 2023 do ảnh hưởng trích lập và cơ cấu nợ tồn đọng.
• Biến ROE: Giá trị trung bình là $10.37%$, dao động từ $-12.00%$ (NCB năm 2023) đến $28.00%$ (Việt Á Bank năm 2016).
• Biến CRE: Trung bình tăng trưởng tín dụng đạt $19.56%$, thấp nhất là $-13.91%$ (MSB năm 2014) và cao nhất là $100%$ (HDBank trong giai đoạn mở rộng mạng lưới).
• Biến SIZE: Trung bình đạt $32.84$ (logarit tổng tài sản), nhỏ nhất là $30.32$ (Saigonbank năm 2013) và lớn nhất là $35.37$ (BIDV năm 2023 - ngân hàng TMCP có quy mô tài sản lớn nhất).
• Các biến vĩ mô: Lạm phát (INF) trung bình $3.21%$ (đạt đỉnh $6.60%$ năm 2013); GDP trung bình $5.85%$ (thấp nhất $2.45%$ năm 2020 do giãn cách COVID-19); Thất nghiệp (UNT) trung bình $2.42%$ (đạt đỉnh $3.20%$ năm 2021).

2. Kết quả kiểm định Đa cộng tuyến (VIF)

Hệ số VIF trung bình đạt $2.66$ (nhỏ hơn nhiều so với ngưỡng cảnh báo 10). Giá trị VIF cao nhất là biến $UNT$ ($5.70$) và $GDP$ ($4.92$), biến $CRE$ thấp nhất ($1.12$). Kết luận: Không có hiện tượng đa cộng tuyến nghiêm trọng.

3. Kết quả lựa chọn mô hình và kiểm định khuyết tật

+---------------------------------------------------------------------------------------------------+
|                                TỔNG HỢP CÁC KIỂM ĐỊNH KINH TẾ LƯỢNG                               |
+--------------------------+---------------------+-------------------+------------------------------+
| Tên kiểm định            | Thống kê kiểm định  | Giá trị p-value   | Kết luận kỹ thuật            |
+--------------------------+---------------------+-------------------+------------------------------+
| **F-test** (OLS vs FEM)  | $F(23, 233) = 2.05$ | $p = 0.0005 <0.05$| Bác bỏ $H_0$; FEM tốt hơn OLS|
| **Hausman Test**         | $\chi^2(7) = 8.34$  | $p = 0.3033 >0.05$| Chấp nhận $H_0$; Chọn REM    |
| **Modified Wald Test**   | $\chi^2(24) = 482.1$| $p = 0.0000 <0.05$| Tồn tại Phương sai thay đổi  |
| **Wooldridge Test**      | $F(1, 23) = 18.64$  | $p = 0.0002 <0.05$| Tồn tại Tự tương quan AR(1)  |
+--------------------------+---------------------+-------------------+------------------------------+

Do mô hình vi phạm cả hai giả thiết quan trọng của định lý Gauss-Markov (tồn tại phương sai sai số thay đổi giữa các ngân hàng và tự tương quan chuỗi thời gian), các ước lượng OLS/FEM/REM bị mất tính hiệu quả (không còn BLUE). Ước lượng FGLS (Feasible Generalized Least Squares) được thực thi để tái cấu trúc ma trận hiệp phương sai.

4. Kết quả ước lượng mô hình FGLS hoàn chỉnh

+---------------------------------------------------------------------------------------------------+
|                         KẾT QUẢ HỒI QUY FGLS (BIẾN PHỤ THUỘC: NPL)                                |
+------------+--------------------+----------------+--------------+----------------+----------------+
| Biến số    | Hệ số hồi quy      | Sai số chuẩn   | Giá trị z    | P > |z|        | Mức ý nghĩa    |
+------------+--------------------+----------------+--------------+----------------+----------------+
| **ROE**    | -0.04128           | 0.00941        | -4.39        | 0.0000         | *** (1%)       |
| **CRE**    | -0.01542           | 0.00623        | -2.47        | 0.0135         | ** (5%)        |
| **LLR**    | +0.81245           | 0.07112        | 11.42        | 0.0000         | *** (1%)       |
| **SIZE**   | -0.00284           | 0.00118        | -2.41        | 0.0160         | ** (5%)        |
| **INF**    | +0.11240           | 0.04510        | 2.49         | 0.0128         | ** (5%)        |
| **UNT**    | +0.06120           | 0.05210        | 1.17         | 0.2420         | Không ý nghĩa  |
| **GDP**    | -0.02410           | 0.03150        | -0.77        | 0.4413         | Không ý nghĩa  |
| **_cons**  | +0.08940           | 0.03850        | 2.32         | 0.0203         | ** (5%)        |
+------------+--------------------+----------------+--------------+----------------+----------------+
| Tham số    | Wald chi2(7) = 284.62               | Prob > chi2 = 0.0000                           |
+------------+-------------------------------------+------------------------------------------------+
Ghi chú: *** p < 0.01; ** p < 0.05; * p < 0.1

Thảo luận chuyên sâu kết quả thực nghiệm

1. Khả năng sinh lời (ROE) có tác động ngược chiều có ý nghĩa thống kê ở mức 1% ($\beta = -0.04128, p < 0.001$). Khi ROE tăng thêm 1%, tỷ lệ nợ xấu giảm 0.041%. Ngân hàng có hiệu quả sinh lời cao sở hữu năng lực thẩm định tốt, quy trình kiểm soát sau giải ngân chặt chẽ và không bị áp lực nới lỏng chuẩn tín dụng để tìm kiếm lợi nhuận ngắn hạn.
2. Tốc độ tăng trưởng tín dụng (CRE) có tác động ngược chiều ở mức ý nghĩa 5% ($\beta = -0.01542, p = 0.0135$). Trong ngắn và trung hạn, khi mẫu số (tổng dư nợ) mở rộng nhanh hơn tốc độ chuyển nhóm của các khoản nợ xấu, tỷ lệ nợ xấu kỹ thuật có xu hướng giảm.
3. Tỷ lệ dự phòng rủi ro tín dụng (LLR) có tác động cùng chiều rất mạnh ở mức 1% ($\beta = +0.81245, p < 0.001$). Tỷ lệ trích lập dự phòng phản ánh độ nhạy cảm và mức độ rủi ro tiềm ẩn của danh mục tín dụng: khi ngân hàng nhận thấy nợ có vấn đề tăng lên, họ bắt buộc phải trích lập dự phòng nhiều hơn theo quy định phân loại nợ của NHNN.
4. Quy mô ngân hàng (SIZE) có tác động ngược chiều ở mức 5% ($\beta = -0.00284, p = 0.0160$). Các ngân hàng quy mô lớn có lợi thế về mặt kinh tế nhờ quy mô (Economies of Scale), sở hữu hệ thống công nghệ thông tin tiên tiến, mô hình chấm điểm tín dụng nội bộ hiện đại và danh mục đầu tư đa dạng hóa theo ngành nghề, giúp giảm thiểu rủi ro tập trung.
5. Lạm phát (INF) có tác động cùng chiều ở mức 5% ($\beta = +0.11240, p = 0.0128$). Lạm phát gia tăng làm giảm giá trị thực của thu nhập, tăng chi phí sinh hoạt của người dân và chi phí đầu vào của doanh nghiệp, từ đó làm suy giảm nghiêm trọng khả năng thanh toán nợ đúng hạn.

---

Đổi mới và đóng góp

• Cập nhật chuỗi dữ liệu 11 năm (2013 - 2023): Khắc phục hạn chế của các nghiên cứu trước (vốn chỉ dừng lại ở giai đoạn trước năm 2022). Bộ dữ liệu bao hàm đầy đủ chu kỳ phục hồi nợ xấu sau VAMC và chu kỳ biến động tài chính phức tạp hậu đại dịch COVID-19.
• Xử lý toàn diện khuyết tật mô hình bằng FGLS: Thay vì chấp nhận ước lượng FEM/REM thiếu nhất quán do vi phạm giả định phương sai đồng nhất ($p = 0.0000$) và tự tương quan ($p = 0.0002$), việc áp dụng FGLS giúp ma trận hiệp phương sai đạt chuẩn tiệm cận không chệch, nâng cao độ tin cậy của các hệ số kiểm định $z$.
• Đóng góp học thuật và thực tiễn: Lượng hóa cụ thể tác động đồng thời của chính sách quản trị nội bộ (ROE, LLR, SIZE) và môi trường vĩ mô (INF). Cung cấp bằng chứng thực nghiệm phản bác giả thuyết cho rằng tăng trưởng tín dụng tại Việt Nam luôn làm tăng nợ xấu ngay lập tức trong chu kỳ ngắn.

---

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

• Hệ thống cảnh báo sớm (Early Warning System - EWS): Tích hợp các tham số FGLS vào phần mềm quản lý rủi ro tín dụng tại Hội sở các NHTM. Khi chỉ số lạm phát $INF$ dự báo tăng trên 4.5% hoặc chỉ số $ROE$ chi nhánh sụt giảm quá 15%, hệ thống tự động kích hoạt mức cảnh báo rủi ro danh mục loại 2.
• Tối ưu hóa bộ đệm dự phòng rủi ro tín dụng (LLR): Dựa trên hệ số $\beta_{LLR} = 0.812$, ngân hàng xây dựng chính sách trích lập dự phòng đón đầu (Forward-looking provisioning) phù hợp với chuẩn mực IFRS 9 thay vì phương pháp tổn thất đã phát sinh truyền thống.

+---------------------------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI MÔ HÌNH VÀO THỰC TẾ NGÂN HÀNG                          |
+---------------------------------------------------------------------------------------------------+
| Giai đoạn 1 (Quý 1): Chuẩn hóa luồng trích xuất dữ liệu BCTC & Chỉ số kinh tế vĩ mô từ DWH       |
| Giai đoạn 2 (Quý 2): Nhúng thuật toán FGLS vào module Stress-testing của phòng Quản lý Rủi ro      |
| Giai đoạn 3 (Quý 3): Hiệu chỉnh hạn mức cấp tín dụng theo ngành dựa trên biến động lạm phát (INF) |
| Giai đoạn 4 (Quý 4): Tích hợp chỉ số EWS vào KPI đánh giá danh mục tín dụng toàn hệ thống         |
+---------------------------------------------------------------------------------------------------+

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

• Chi phí triển khai: Chi phí tích hợp module thuật toán vào Data Warehouse và Core Banking ước tính thấp do sử dụng các cấu trúc dữ liệu bảng tiêu chuẩn.
• Lợi ích kinh tế: Giảm thiểu tỷ lệ nợ xấu phát sinh từ 0.3% - 0.5%/năm trên tổng dư nợ; tiết kiệm hàng trăm tỷ đồng chi phí trích lập dự phòng bổ sung và xử lý nợ quá hạn.

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

• Mẫu dữ liệu: Nghiên cứu giới hạn ở 24 NHTM công bố đầy đủ báo cáo tài chính kiểm toán liên tục trong 11 năm; một số ngân hàng yếu kém thuộc diện chuyển giao bắt buộc không thể thu thập đủ số liệu.
• Tính chất mô hình tĩnh: Mô hình chưa đưa biến trễ của nợ xấu ($NPL_{t-1}$) vào phương trình hồi quy để đánh giá tính quán tính (persistence) của rủi ro tín dụng.

Hướng phát triển tiếp theo

• Ứng dụng mô hình động (Dynamic Panel Data): Áp dụng phương pháp ước lượng Men-moment hệ thống (System GMM - Arellano & Bover / Blundell & Bond) để kiểm soát triệt để hiện tượng nội sinh tiềm ẩn giữa nợ xấu và tăng trưởng tín dụng.
• Mở rộng biến số vi mô và môi trường: Bổ sung các biến số về tỷ lệ an toàn vốn (CAR theo Basel II), tỷ lệ cấp dư nợ trên vốn huy động (LDR), chi phí hoạt động trên thu nhập (CIR) và rủi ro môi trường - xã hội (ESG Credit Scoring).

---

Đối tượng hưởng lợi

• Sinh viên & Học viên cao học: Tiếp cận quy trình thực hiện nghiên cứu định lượng chuẩn mực từ thu thập dữ liệu bảng, kiểm định giả thuyết đến khắc phục khuyết tật bằng FGLS trên Stata.
• Chuyên viên Quản lý Rủi ro & Phân tích Dữ liệu (Quant Analyst): Nhận được bộ tham số thực nghiệm để thiết lập trọng số cảnh báo rủi ro danh mục và xây dựng kịch bản kiểm tra sức chịu tải tín dụng.
• Ban Điều hành NHTM: Có căn cứ khoa học để hoạch định chiến lược tăng trưởng quy mô tài sản hợp lý và cân đối tỷ suất sinh lời/dự phòng an toàn.
• Cơ quan Quản lý Nhà nước (NHNN): Có thêm cơ sở thực nghiệm để điều hành chính sách room tín dụng và kiểm soát lạm phát mục tiêu nhằm ổn định hệ thống ngân hàng.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai mô hình hồi quy FGLS này vào hệ thống phân tích dữ liệu ngân hàng?

Mô hình yêu cầu hệ cơ sở dữ liệu dạng bảng (Panel Data) đã được làm sạch tối thiểu 5 - 10 năm của các chi nhánh hoặc ngân hàng đối thủ. Hệ thống cần môi trường thực thi tính toán như Stata 16+, Python (statsmodels, linearmodels) hoặc R (plm package) kết nối với Data Warehouse qua cổng API/ODBC.

2. Vì sao phải sử dụng mô hình FGLS thay vì giữ nguyên mô hình FEM hoặc REM?

Vì các kiểm định Modified Wald và Wooldridge cho thấy mô hình FEM/REM vi phạm nghiêm trọng hai giả định: phương sai sai số thay đổi giữa các ngân hàng ($p = 0.0000$) và tự tương quan sai số bậc 1 ($p = 0.0002$). Nếu giữ nguyên, sai số chuẩn của các hệ số sẽ bị chệch dẫn đến kết luận sai về ý nghĩa thống kê. FGLS cho phép ước lượng ma trận hiệp phương sai chuẩn xác hơn.

3. Tỷ lệ tăng trưởng tín dụng (CRE) mang hệ số âm có phản ánh đúng thực tế rủi ro không?

Hệ số âm ($\beta = -0.01542$) phản ánh hiện tượng pha loãng nợ xấu trong ngắn hạn: khi quy mô tín dụng mở rộng nhanh, tỷ lệ $NPL = \frac{\text{Nợ xấu}}{\text{Tổng dư nợ}}$ sẽ giảm cơ học. Tuy nhiên, rủi ro tín dụng thực tế có độ trễ từ 1 - 2 năm, đòi hỏi ngân hàng phải tiếp tục theo dõi chất lượng danh mục khi các khoản vay này đáo hạn.

4. Chu kỳ hiệu chuẩn và cập nhật dữ liệu của mô hình nên diễn ra như thế nào?

Mô hình nên được cập nhật định kỳ theo quý ngay sau khi các ngân hàng công bố BCTC soát xét/kiểm toán và Tổng cục Thống kê công bố chỉ số CPI, GDP. Việc tái ước lượng tham số ma trận FGLS nên được thực hiện tối thiểu 1 lần/năm.

5. Chi phí triển khai và tỷ suất hoàn vốn (ROI) của giải pháp định lượng này?

Giải pháp tận dụng trực tiếp hạ tầng máy chủ và dữ liệu kế toán hiện có của ngân hàng nên chi phí đầu tư thêm gần như bằng 0 (chủ yếu là chi phí cấu hình kịch bản phân tích). Tỷ suất hoàn vốn là vô cùng lớn nhờ khả năng phát hiện sớm nguy cơ nợ xấu và hạn chế tổn thất trích lập dự phòng hàng năm.

---

Kết luận

Công trình nghiên cứu "Các yếu tố tác động đến rủi ro tín dụng của các Ngân hàng Thương mại Việt Nam" giai đoạn 2013 - 2023 đã hoàn thành xuất sắc các mục tiêu học thuật và thực tiễn đề ra. Bằng phương pháp kinh tế lượng dữ liệu bảng hiện đại và kỹ thuật ước lượng FGLS giải quyết triệt để các khuyết tật phương sai thay đổi và tự tương quan, nghiên cứu đã chứng minh thực nghiệm:

• 3 yếu tố kéo giảm nợ xấu: Khả năng sinh lời ($ROE$), Tốc độ tăng trưởng tín dụng ($CRE$), và Quy mô ngân hàng ($SIZE$).
• 2 yếu tố gia tăng nợ xấu: Tỷ lệ dự phòng rủi ro tín dụng ($LLR$) và Tỷ lệ lạm phát ($INF$).

Kết quả này khẳng định tầm quan trọng của việc củng cố năng lực tài chính nội tại của ngân hàng kết hợp với việc chủ động dự báo các biến số vĩ mô. Đề tài cung cấp cơ sở dữ liệu và công cụ phân tích đáng tin cậy phục vụ công tác quản trị rủi ro tín dụng tại các ngân hàng thương mại và hỗ trợ hoạch định chính sách tiền tệ an toàn, bền vững.