Giới thiệu dự án
Nợ xấu (Non-Performing Loans - NPL) luôn là tâm điểm rủi ro đe dọa sự an toàn thanh khoản và tính bền vững của toàn bộ hệ thống tài chính - ngân hàng. Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), tỷ lệ nợ xấu nội bảng toàn ngành tính đến tháng 07/2023 đã tăng vọt lên mức 3,56%, tăng hơn gấp đôi so với mức 1,69% tại thời điểm cuối năm 2020. Áp lực nợ xấu tăng cao bắt nguồn từ sự đình trệ của thị trường bất động sản, chu kỳ đứt gãy kinh tế sau đại dịch COVID-19 và sự kết thúc của chính sách tái cơ cấu giữ nguyên nhóm nợ theo Thông tư 02/2023/TT-NHNN. Khi các khoản nợ được phân loại chính xác theo Thông tư 11/2021/TT-NHNN, chi phí trích lập dự phòng rủi ro tín dụng (LLR) sẽ bào mòn trực tiếp lợi nhuận hoạt động của các Ngân hàng Thương mại (NHTM).
Vấn đề cốt lõi đặt ra là sự thiếu đồng nhất trong các nghiên cứu thực nghiệm trước đây về chiều hướng tác động của các chỉ tiêu kinh tế vĩ mô và đặc thù vi mô đến nợ xấu tại Việt Nam, đặc biệt là giai đoạn biến động mạnh 2012–2022. Đề tài khóa luận tốt nghiệp chuyên ngành Tài chính - Ngân hàng (Mã số: 7340201) tại Trường Đại học Ngân hàng TP. Hồ Chí Minh do sinh viên Trần Thuỵ Anh Thư thực hiện dưới sự hướng dẫn của ThS. Bùi Ngọc Mai Phương đã tập trung giải quyết bài toán định lượng rủi ro tín dụng trên dữ liệu thực nghiệm diện rộng.
flowchart TD
A[Bối cảnh kinh tế vĩ mô & Chu kỳ tín dụng 2012 - 2022] --> B[Dữ liệu 25 NHTM niêm yết: 275 quan sát]
B --> C[Phân tích hồi quy dữ liệu bảng: Pooled OLS, FEM, REM]
C --> D[Kiểm định khuyết tật: Phương sai thay đổi & Tự tương quan]
D --> E[Ước lượng vững FGLS - Feasible Generalized Least Squares]
E --> F[Xác định nhân tố trọng yếu & Đề xuất giải pháp kiểm soát NPL]
Mục tiêu cụ thể của nghiên cứu được xác định rõ ràng:
- Hệ thống hóa cơ sở lý luận về quản trị rủi ro tín dụng, bất cân xứng thông tin, rủi ro đạo đức và quy chế phân loại nợ theo quy định của NHNN và tiêu chuẩn quốc tế.
- Đo lường định lượng mức độ và chiều hướng tác động của 09 nhân tố vi mô và vĩ mô đến tỷ lệ nợ xấu ($NPL$) của 25 NHTM niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2012–2022 (275 quan sát).
- Đề xuất hệ thống giải pháp chính sách, tối ưu hóa năng lực trích lập dự phòng và kiểm soát rủi ro danh mục cho vay cho các NHTM Việt Nam.
Phạm vi nghiên cứu bao quát 25 NHTM cổ phần niêm yết đại diện cho hơn 85% tổng tài sản toàn hệ thống ngân hàng thương mại, trong khung thời gian 11 năm (2012–2022), phản ánh đầy đủ chu kỳ từ tái cơ cấu nợ sau khủng hoảng tài chính đến giai đoạn bình thường mới.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Các nghiên cứu thực nghiệm và công cụ quản trị rủi ro tín dụng truyền thống thường đối mặt với sự đánh đổi giữa tính dễ diễn giải và năng lực xử lý khuyết tật dữ liệu bảng (Panel Data).
| Phương pháp / Mô hình |
Ưu điểm (Pros) |
Nhược điểm (Cons) |
Phạm vi áp dụng tối ưu |
| Pooled OLS (Bình phương nhỏ nhất) |
Đơn giản, dễ tính toán tham số |
Bỏ qua yếu tố đặc thù không quan sát được của từng ngân hàng ($\mu_i$), gây chệch hệ số |
Dữ liệu gộp thuần nhất |
| Random Effects Model (REM) |
Tiết kiệm bậc tự do, xét đến tương quan ngẫu nhiên |
Giả định $\mu_i$ không tương quan với biến giải thích ($Cov(X, \mu) = 0$), thường bị bác bỏ |
Mẫu ngẫu nhiên từ quần thể lớn |
| Fixed Effects Model (FEM) |
Kiểm soát hoàn toàn các đặc tính bất biến theo thời gian của từng ngân hàng |
Bị suy giảm hiệu quả khi xuất hiện phương sai sai số thay đổi và tự tương quan |
Dữ liệu vi mô doanh nghiệp/ngân hàng |
| FGLS (Feasible Generalized Least Squares) |
Khắc phục triệt để hiện tượng phương sai thay đổi và tự tương quan bậc 1 AR(1) |
Đòi hỏi kích thước thời gian $T$ đủ lớn so với số thực thể $N$ |
Dữ liệu chuỗi thời gian bảng 2012–2022 |
Yêu cầu phân tích dữ liệu được lượng hóa theo khung ưu tiên MoSCoW:
- Must have: Mô hình xử lý được hiện tượng phương sai thay đổi giữa các ngân hàng ($Heteroskedasticity$) và tự tương quan chuỗi ($Autocorrelation$).
- Should have: Kiểm định đa cộng tuyến toàn diện thông qua ma trận tương quan Pearson ($r < 0.8$) và hệ số phóng đại phương sai ($VIF < 10$).
- Could have: So sánh đa chiều tác động giữa nhóm biến nội tại ngân hàng (CAMEL-based) và biến vĩ mô kinh tế.
- Won't have: Mô hình hóa phi tuyến tính mạng nơ-ron đen (Black-box AI) nhằm đảm bảo tính minh bạch theo chuẩn mực thanh tra giám sát ngân hàng.
Thiết kế hệ thống
Kiến trúc phân tích định lượng được chuẩn hóa theo quy trình xử lý dữ liệu bảng nghiêm ngặt:
[FiinProX v2.4 / World Bank / BCTC Kiểm toán]
[Tiền xử lý & Chuẩn hóa dữ liệu]
(25 NHTM x 11 năm = 275 quan sát)
[Stata 17.0 MP Pipeline]
[Thống kê mô tả & VIF] [Hồi quy Pooled OLS / FEM / REM]
[Hausman Test (p < 0.05)]
[Mô hình FEM được chọn]
[Modified Wald Test: p = 0.0000] [Wooldridge Test: p = 0.0000]
(Hiện tượng phương sai thay đổi) (Tự tương quan bậc 1)
[Mô hình FGLS Hiệu chỉnh Toàn diện]
-
Technology Stack:
- Stata/MP 17.0: Nền tảng phân tích kinh tế lượng chuyên sâu, tối ưu xử lý dữ liệu bảng đa luồng.
- FiinProX Financial Platform v2.4: Trích xuất báo cáo tài chính hợp nhất kiểm toán của 25 NHTM.
- World Bank Open Data API: Thu thập chỉ tiêu kinh tế vĩ mô (Tốc độ tăng trưởng GDP, Tỷ lệ thất nghiệp, Lạm phát CPI).
- Microsoft Excel 2021: Cấu trúc ma trận dữ liệu Panel dạng Long-form.
-
Đặc tả biến số trong cấu trúc dữ liệu:
$$\begin{aligned}
NPL_{i,t} &= \beta_0 + \beta_1 P_NPL_{i,t} + \beta_2 ROE_{i,t} + \beta_3 CRE_{i,t} + \beta_4 LLR_{i,t} \
&+ \beta_5 SIZE_{i,t} + \beta_6 GDP_t + \beta_7 UNE_t + \beta_8 INF_t + \beta_9 EXI_t + \varepsilon_{i,t}
\end{aligned}$$
| Mã biến |
Tên biến |
Công thức tính toán |
Kỳ vọng |
| NPL |
Tỷ lệ nợ xấu |
$(Nợ\ nhóm\ 3 + Nợ\ nhóm\ 4 + Nợ\ nhóm\ 5) / Tổng\ dư\ nợ$ |
Biến phụ thuộc |
| P_NPL |
Nợ xấu năm trước |
$Tổng\ nợ\ xấu_{(t-1)} / Tổng\ dư\ nợ_{(t-1)}$ |
$(+)$ |
| ROE |
Tỷ suất sinh lời trên VCSH |
$Lợi\ nhuận\ sau\ thuế / Vốn\ chủ\ sở\ hữu$ |
$(-)$ |
| CRE |
Tăng trưởng tín dụng |
$(Dư\ nợ_t - Dư\ nợ_{t-1}) / Dư\ nợ_{t-1}$ |
$(+)$ |
| LLR |
Tỷ lệ dự phòng RRTD |
$Chi\ phí\ dự\ phòng\ RRTD / Cho\ vay\ khách\ hàng$ |
$(+)$ |
| SIZE |
Quy mô ngân hàng |
$\log_{10}(Tổng\ tài\ sản)$ |
$(-)$ |
| GDP |
Tăng trưởng kinh tế |
$(GDP_t - GDP_{t-1}) / GDP_{t-1}$ |
$(-)$ |
| UNE |
Tỷ lệ thất nghiệp |
$Số\ người\ thất\ nghiệp / Lực\ lượng\ lao\ động$ |
$(+)$ |
| INF |
Tỷ lệ lạm phát |
$(CPI_t - CPI_{t-1}) / CPI_{t-1}$ |
$(+)$ |
| EXI |
Tỷ giá hối đoái |
$\ln(Tỷ\ giá\ trung\ tâm\ VND/USD_t)$ |
$(+)$ |
Methodology
Phương pháp luận nghiên cứu kết hợp giữa khung khảo lược lý thuyết nền tảng (Lý thuyết Bất cân xứng thông tin của Akerlof, Rủi ro đạo đức của Holmstrom/Krugman, Giả thuyết Quản lý kém của Berger & DeYoung 1997, và Giả thuyết Lợi thế kinh tế nhờ quy mô) với kỹ thuật phân tích định lượng chuỗi dữ liệu bảng vi lượng (Micro-panel Econometrics).
Tiến trình kiểm soát chất lượng dữ liệu bao gồm 4 giai đoạn:
- Kiểm tra tính chuẩn xác: Làm sạch dữ liệu, loại bỏ các biến dị thường (outliers), kiểm tra cân bằng bảng ($Balanced\ Panel$).
- Kiểm định hiện tượng đa cộng tuyến: Sử dụng ma trận hệ số tương quan Pearson và Variance Inflation Factor ($VIF$).
- Lựa chọn mô hình tối ưu: Hồi quy OLS, FEM, REM song song; áp dụng F-test để chọn FEM thay vì Pooled OLS, sau đó thực hiện Hausman Specification Test ($H_0$: REM phù hợp, $H_1$: FEM phù hợp).
- Kiểm định và hiệu chỉnh khuyết tật: Thực hiện kiểm định Modified Wald Test cho phương sai thay đổi và Wooldridge Test cho tự tương quan bậc 1; áp dụng mô hình Bình phương nhỏ nhất tổng quát khả thi (FGLS) để thu được ước lượng vững và hiệu quả nhất (BLUE - Best Linear Unbiased Estimator).
Implementation và kết quả
Development process
Quy trình ước lượng được tự động hóa hoàn toàn thông qua Stata do-file script tiêu chuẩn:
*-------------------------------------------------------------------------------
* STATA 17.0 DO-FILE: PANEL REGRESSION ESTIMATION FOR NPL AT VIETNAMESE BANKS
*-------------------------------------------------------------------------------
clear all
set more off
* 1. Khởi tạo cấu trúc dữ liệu bảng
use "bank_npl_dataset_2012_2022.dta", clear
xtset bank_id year
* 2. Thống kê mô tả và ma trận tương quan
summarize npl p_npl roe cre llr size gdp une inf exi
pwcorr npl p_npl roe cre llr size gdp une inf exi, sig star(0.05)
* 3. Kiểm tra hiện tượng đa cộng tuyến (Multicollinearity)
regress npl p_npl roe cre llr size gdp une inf exi
vif
* 4. Ước lượng các mô hình cơ sở
* 4.1 Pooled OLS
regress npl p_npl roe cre llr size gdp une inf exi
estimates store pooled_ols
* 4.2 Fixed Effects Model (FEM)
xtreg npl p_npl roe cre llr size gdp une inf exi, fe
estimates store fem
* 4.3 Random Effects Model (REM)
xtreg npl p_npl roe cre llr size gdp une inf exi, re
estimates store rem
* 5. Kiểm định lựa chọn mô hình (Hausman Test)
hausman fem rem
* 6. Kiểm định khuyết tật mô hình FEM
* 6.1 Kiểm định phương sai sai số thay đổi (Modified Wald Test)
xttest3
* 6.2 Kiểm định tự tương quan (Wooldridge Test for Autocorrelation)
xtserial npl p_npl roe cre llr size gdp une inf exi
* 7. Hiệu chỉnh khuyết tật bằng mô hình FGLS (Cross-sectional heteroskedasticity & AR1)
xtgls npl p_npl roe cre llr size gdp une inf exi, panels(heteroskedastic) corr(ar1)
estimates store fgls_model
Testing và validation
Kết quả thống kê mô tả 275 quan sát từ 25 NHTM Việt Nam giai đoạn 2012–2022 ghi nhận các thông số vận hành thực tế:
- Tỷ lệ nợ xấu ($NPL$): Trung bình đạt 2,09% ($\pm 1,20%$), dao động từ 0,47% (Techcombank năm 2020) đến đỉnh điểm 8,81% (SHB năm 2012 trong quá trình nhận sáp nhập Habubank).
- Khả năng sinh lời ($ROE$): Đạt bình quân 9,93% ($\pm 6,39%$), cao nhất ghi nhận tại VIB năm 2021 (26,39%) và thấp nhất tại Bản Việt năm 2016 (0,08%).
- Tăng trưởng tín dụng ($CRE$): Bình quân 19,91% ($\pm 16,49%$), cao nhất là HDBank năm 2013 (108,2%) và thấp nhất là MSB năm 2012 (-23,33%).
- Dự phòng rủi ro tín dụng ($LLR$): Trung bình 1,36% ($\pm 0,48%$), cao nhất thuộc về VPBank năm 2022 (3,22%).
- Quy mô ngân hàng ($SIZE$): Trung bình $\log_{10}(Tổng\ tài\ sản) = 14,16$ ($\pm 0,4988$), lớn nhất là BIDV năm 2022 (15,34) và nhỏ nhất là Saigonbank năm 2013 (13,17).
Kiểm định đa cộng tuyến cho thấy tất cả các hệ số tương quan cặp đều nhỏ hơn 0,8 và hệ số $VIF$ trung bình của mô hình đạt mức an toàn (< 5), loại trừ rủi ro sai lệch ước lượng do đa cộng tuyến.
Kiểm định lựa chọn mô hình và chẩn đoán khuyết tật:
- Hausman Test: Giá trị $Prob > \chi^2 = 0,0000 < 0,05$ $\rightarrow$ Bác bỏ giả thuyết $H_0$, xác nhận mô hình tác động cố định (FEM) tối ưu hơn REM.
- Modified Wald Test ($xttest3$): Giá trị $p = 0,0000 < 0,05$ $\rightarrow$ Xuất hiện hiện tượng phương sai thay đổi giữa các thực thể ngân hàng.
- Wooldridge Test ($xtserial$): Giá trị $p = 0,0000 < 0,05$ $\rightarrow$ Tồn tại hiện tượng tự tương quan bậc 1 trong sai số.
Kết quả đạt được
Bằng phương pháp ước lượng FGLS hiệu chỉnh đồng thời phương sai thay đổi và tự tương quan, kết quả thực nghiệm đạt được độ chuẩn xác cao:
| Biến độc lập | Hệ số hồi quy FGLS ($\beta$) | Mức ý nghĩa thống kê ($P > |z|$) | Chiều tác động | Kết luận giả thuyết |
| :--- | :---: | :---: | :---: | :--- |
| P_NPL (Nợ xấu năm trước) | $+0,284$ | $0,000^{}$ | Cùng chiều | Chấp nhận $H_1$ |
| ROE (Tỷ suất sinh lời VCSH) | $-0,027$ | $0,001^{}$ | Ngược chiều | Chấp nhận $H_2$ |
| CRE (Tăng trưởng tín dụng) | $+0,002$ | $0,452$ (Không có ý nghĩa) | Không rõ | Không có ý nghĩa |
| LLR (Dự phòng RRTD) | $+0,841$ | $0,000^{}$ | Cùng chiều (Mạnh nhất) | Chấp nhận $H_4$ |
| SIZE (Quy mô ngân hàng) | $-0,006$ | $0,012^{}$ | Ngược chiều | Chấp nhận $H_5$ |
| GDP (Tăng trưởng GDP) | $-0,085$ | $0,004^{}$ | Ngược chiều | Chấp nhận $H_6$ |
| UNE (Tỷ lệ thất nghiệp) | $-0,004$ | $0,041^{}$ | Ngược chiều | Ngược kỳ vọng ban đầu |
| INF (Tỷ lệ lạm phát) | $+0,053$ | $0,028^{**}$ | Cùng chiều | Chấp nhận $H_8$ |
| EXI (Tỷ giá hối đoái) | $+0,011$ | $0,381$ (Không có ý nghĩa) | Không rõ | Không có ý nghĩa |
Ghi chú: $^{} p < 0,01$, $^{} p < 0,05$. Mô hình FGLS đạt mức giải thích thống kê cao với Wald $\chi^2$ có ý nghĩa $p = 0,0000$.*
Hệ số $\beta_{LLR} = +0,841$ khẳng định trích lập dự phòng là chỉ báo phản ánh rủi ro nhạy bén nhất. Tiếp theo, nợ xấu năm trước tích lũy mạnh mẽ sang năm sau ($\beta = +0,284$), củng cố giả thuyết "Quản lý kém" của Berger & DeYoung. Ngược lại, hiệu quả hoạt động ($ROE$) và quy mô ngân hàng ($SIZE$) đóng vai trò là "tấm đệm" vững chắc làm giảm thiểu áp lực nợ xấu.
Đổi mới và đóng góp
Nghiên cứu mang lại những đóng góp khoa học và thực tiễn mang tính hệ thống so với các công bố trước đó tại thị trường Việt Nam:
graph LR
A[Nghiên cứu trước: Võ Minh Long 2020, Hoàng Thị Thanh Hằng 2020] -->|Hạn chế dữ liệu ngắn, chưa chuẩn hóa xử lý khuyết tật kép| B[Khoảng trống nghiên cứu]
B --> C[Đổi mới của Đề tài 2024]
C --> D[1. Bộ dữ liệu mở rộng 2012 - 2022 xuyên suốt giai đoạn biến động]
C --> E[2. Áp dụng FGLS khắc phục triệt để đồng thời Phương sai thay đổi & Tự tương quan]
C --> F[3. Lượng hóa chính xác tác động chi phối của Dự phòng RRTD LLR]
- So sánh chuyên sâu với các công trình thực nghiệm:
- So với Hoàng Thị Thanh Hằng và cộng sự (2020) (mẫu 2012–2018): Nghiên cứu này cập nhật thêm 4 năm dữ liệu biến động lớn (2019–2022), bao quát toàn bộ cú sốc kinh tế COVID-19 và chính sách Thông tư 02/2023/TT-NHNN, làm rõ tác động dài hạn của quy mô tài sản ($SIZE$) và hiệu quả vốn ($ROE$) mà nghiên cứu trước chưa tìm thấy ý nghĩa thống kê.
- So với Bùi Thanh Đan và Nguyễn Ngọc Huyền (2022): Công trình áp dụng thuật toán FGLS chuyên biệt xử lý triệt để sai số chuẩn bị chệch (biased standard errors), nâng cao hiệu quả ước lượng lên hơn 22% so với ước lượng FEM truyền thống chưa hiệu chỉnh.
- Đóng góp học thuật: Cung cấp bằng chứng thực nghiệm vững chắc ủng hộ Giả thuyết Quản lý kém (Bad Management Hypothesis) và Giả thuyết Lợi thế kinh tế theo quy mô (Economies of Scale) trong môi trường ngân hàng đang phát triển tại Đông Nam Á.
Ứng dụng thực tế và triển khai
Kết quả định lượng từ mô hình FGLS cung cấp cơ sở kỹ thuật trực tiếp để các NHTM xây dựng Hệ thống Cảnh báo sớm Rủi ro Tín dụng (Early Warning System - EWS):
- Xây dựng chỉ số nhạy cảm rủi ro theo thời gian thực: Tích hợp trực tiếp các biến số vĩ mô ($GDP, INF$) và chỉ số vi mô ($LLR, ROE, P_NPL$) vào hệ thống thẩm định tín dụng tự động và Core Banking.
- Chiến lược trích lập dự phòng chủ động: Khi tỷ lệ lạm phát ($INF$) tăng hoặc chất lượng tín dụng năm trước ($P_NPL$) có xu hướng suy giảm, hệ thống tự động kích hoạt kịch bản kiểm tra sức chịu tải (Stress Testing), nâng tỷ lệ bao phủ nợ xấu ($LLR$) từ sớm nhằm tránh tình trạng thâm hụt vốn đột ngột.
- Hiệu quả kinh tế (ROI Lượng hóa): Đối với một NHTM có quy mô tổng dư nợ 200.000 tỷ VND, việc ứng dụng mô hình kiểm soát giảm 0,3% tỷ lệ nợ xấu nội bảng tương đương với việc bảo toàn 600 tỷ VND vốn kinh doanh và giảm thiểu hàng trăm tỷ đồng chi phí trích lập dự phòng bổ sung hàng năm.
Hạn chế và hướng phát triển
- Hạn chế kỹ thuật:
- Bộ dữ liệu dừng lại ở năm 2022, chưa ghi nhận đầy đủ tác động sau khi Thông tư 02/2023/TT-NHNN hết hiệu lực vào giữa năm 2024.
- Mô hình hồi quy dữ liệu bảng tuyến tính chưa bao quát các mối quan hệ phi tuyến phức tạp trong giai đoạn khủng hoảng đột ngột.
- Hướng nghiên cứu mở rộng:
- Ứng dụng phương pháp Mô-men tổng quát hệ thống (System GMM - Blundell & Bond) để kiểm soát triệt để tính nội sinh động (Dynamic Endogeneity) của biến trễ nợ xấu.
- Kết hợp thuật toán học máy phân loại (XGBoost, Random Forest, CatBoost) trên dữ liệu giao dịch tần suất cao nhằm dự báo xác suất vỡ nợ (Probability of Default - PD) theo chuẩn mực Basel III.
Đối tượng hưởng lợi
- Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chuẩn mực về quy trình thực hiện khóa luận định lượng kinh tế lượng tài chính từ thu thập dữ liệu FiinProX đến lập trình Stata do-file.
- Chuyên viên Phân tích Dữ liệu / Quản trị Rủi ro: Nắm vững cấu trúc mô hình dữ liệu bảng, các bước kiểm định Hausman, Modified Wald, Wooldridge và kỹ thuật FGLS.
- Ban Điều hành NHTM & Cơ quan Quản lý (NHNN): Cung cấp bằng chứng thực nghiệm để hoạch định chính sách tiền tệ, biên độ trích lập dự phòng và kiểm soát tốc độ tăng trưởng tín dụng an toàn.
Câu hỏi thường gặp
-
Cần môi trường công nghệ gì để tái lập lại mô hình nghiên cứu này?
Cần cài đặt Stata phiên bản 15.0 trở lên (khuyến nghị Stata 17.0 MP) cùng bộ dữ liệu định dạng .dta chứa 275 quan sát chuẩn hóa theo cấu trúc bảng (Panel Structure).
-
Tại sao FGLS được lựa chọn thay thế cho FEM sau kiểm định Hausman?
Mặc dù kiểm định Hausman ($p < 0,05$) xác nhận FEM phù hợp hơn REM, nhưng mô hình FEM vi phạm hai giả định kinh tế lượng cơ bản: phương sai sai số thay đổi ($xttest3, p = 0,0000$) và tự tương quan chuỗi ($xtserial, p = 0,0000$). FGLS là công cụ chuẩn mực để hiệu chỉnh đồng thời cả hai khuyết tật này.
-
Tại sao tăng trưởng tín dụng (CRE) và tỷ giá (EXI) không có ý nghĩa thống kê?
Trong giai đoạn 2012–2022, chính sách cấp "room" tín dụng chặt chẽ của NHNN đã điều tiết tăng trưởng tín dụng theo định hướng chọn lọc, làm giảm thiểu sự bùng nổ tín dụng nóng ngắn hạn tác động tức thì đến nợ xấu. Tương tự, tỷ giá USD/VND được duy trì tương đối ổn định nhờ chính sách điều hành tỷ giá trung tâm linh hoạt của NHNN.
-
Tỷ lệ thất nghiệp tác động ngược chiều với nợ xấu phản ánh điều gì?
Đây là hiện tượng đặc thù tại thị trường lao động Việt Nam trong giai đoạn COVID-19, khi tỷ lệ thất nghiệp tăng nhưng đi kèm các gói hỗ trợ khoanh nợ, giãn nợ và trợ cấp an sinh xã hội, khiến nợ xấu chưa phản ánh ngay lập tức vào sổ sách kế toán trong kỳ quan sát.
-
Chi phí và thời gian triển khai mô hình vào thực tế ngân hàng?
Việc tích hợp bộ chỉ số cảnh báo sớm vào hệ thống quản lý thông tin dữ liệu (MIS/DWH) của ngân hàng mất khoảng 2–3 tháng với chi phí tối ưu, chủ yếu tận dụng hạ tầng tính toán hiện hữu.
Kết luận
Công trình nghiên cứu khóa luận tốt nghiệp của tác giả Trần Thuỵ Anh Thư đã hoàn thành xuất sắc mục tiêu nhận diện và đo lường định lượng các nhân tố tác động đến tỷ lệ nợ xấu tại 25 NHTM Việt Nam giai đoạn 2012–2022. Bằng việc ứng dụng phương pháp kinh tế lượng vững FGLS trên nền tảng phần mềm Stata 17, nghiên cứu đã chứng minh vai trò then chốt của tỷ lệ dự phòng rủi ro tín dụng ($LLR$), quán tính nợ xấu quá khứ ($P_NPL$), lạm phát ($INF$) cùng vai trò giảm thiểu rủi ro của hiệu quả sinh lời ($ROE$), quy mô tài sản ($SIZE$) và tăng trưởng kinh tế ($GDP$). Đây là cơ sở khoa học và thực tiễn quan trọng hỗ trợ các nhà quản trị ngân hàng chủ động kiểm soát rủi ro, tối ưu hóa chính sách tín dụng và đảm bảo sự an toàn bền vững cho hệ thống tài chính quốc gia.
