Khóa luận tốt nghiệp: Các yếu tố ảnh hưởng đến nợ xấu tại ngân hàng thương mại Việt Nam

Khóa luận phân tích các yếu tố ảnh hưởng đến nợ xấu tại ngân hàng thương mại Việt Nam, cung cấp cái nhìn sâu sắc về tình hình tài chính.

• Tác giả: Nguyễn Thị Hồng Loan
• Người hướng dẫn: Tiến Sĩ Nguyễn Minh Nhật
• Trường học: Đại học Ngân hàng Thành phố Hồ Chí Minh
• Chuyên ngành: Tài chính ngân hàng
• Đề tài: Các Yếu Tố Ảnh Hưởng Đến Nợ Xấu Tại Các Ngân Hàng Thương Mại Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu của đề tài
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Bố cục của khóa luận
• 1.7. Ý nghĩa khoa học và thực tiễn của nghiên cứu
• 1.7.1. Ý nghĩa khoa học
• 1.7.2. Ý nghĩa thực tiễn
• 1.8. Kết luận chương 1
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ KHẢO LƯỢC NGHIÊN CỨU
• 2.1. Khái niệm chung
• 2.1.1. Nợ xấu
• 2.2. Phân loại nợ
• 2.3. Chỉ tiêu đo lường nợ xấu
• 2.4. Các yếu tố ảnh hưởng đến nợ xấu
• 2.4.1. Yếu tố vi mô
• 2.4.1.1. Tỷ lệ nợ xấu năm trước
• 2.4.1.2. Quy mô ngân hàng
• 2.4.1.3. Tăng trưởng tín dụng
• 2.4.1.4. Đòn bẩy tài chính
• 2.4.1.5. Dự phòng rủi ro tín dụng
• 2.4.2. Yếu tố vĩ mô
• 2.4.2.1. Tốc độ tăng trưởng kinh tế
• 2.4.2.2. Tỷ giá hối đoái
• 2.5. Khảo lược nghiên cứu
• 2.5.1. Các nghiên cứu tại nước ngoài
• 2.5.2. Các nghiên cứu tại Việt Nam
• 2.6. Kết luận chương 2
• 3. CHƯƠNG 3: PHƯƠNG PHÁP VÀ MÔ HÌNH NGHIÊN CỨU
• 3.1. Mô hình nghiên cứu
• 3.1.1. Khái quát mô hình nghiên cứu
• 3.1.2. Giải thích các biến
• 3.1.3. Các giả thuyết nghiên cứu
• 3.2. Quy trình thực hiện
• 3.2.1. Mẫu và dữ liệu nghiên cứu
• 3.2.1.1. Mẫu nghiên cứu
• 3.2.1.2. Dữ liệu nghiên cứu
• 3.2.2. Công cụ nghiên cứu
• 3.2.3. Phương pháp nghiên cứu
• 3.2.3.1. Phương pháp định tính
• 3.2.3.2. Phương pháp định lượng
• 3.2.3.2.1. Thống kê mô tả
• 3.2.3.2.2. Phân tích, lựa chọn mô hình hiệu quả nhất
• 3.2.4. Kiểm tra và xử lý khiếm khuyết của mô hình
• 3.3. Kết luận chương 3
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VỀ CÁC YẾU TỐ TÁC ĐỘNG ĐẾN NỢ XẤU TẠI CÁC NHTM VIỆT NAM
• 4.1. Thống kê mô tả dữ liệu
• 4.2. Kết quả thể hiện mô hình hồi quy mẫu
• 4.3. Kết quả phân tích hồi quy
• 4.4. Kiểm tra và xử lý khiếm khuyết của mô hình
• 4.4.1. Kiểm tra ma trận hệ số tương quan
• 4.4.2. Kiểm tra hệ số phóng đại phương sai
• 4.4.3. Kiểm tra hiện tượng phương sai sai số thay đổi
• 4.4.4. Tương quan chuỗi
• 4.5. Thảo luận kết quả nghiên cứu
• 4.5.1. Nợ xấu ngân hàng trong quá khứ
• 4.5.2. Các khoản dự phòng rủi ro
• 4.5.3. Đòn bẩy tài chính
• 4.5.4. Quy mô ngân hàng
• 4.5.5. Khả năng sinh lời trong quá khứ
• 4.5.6. Tốc độ tăng trưởng tín dụng
• 4.5.7. Các yếu tố kinh tế vĩ mô
• 4.5.7.1. Tỷ lệ lạm phát
• 4.5.7.2. Tốc độ tăng trưởng kinh tế
• 4.5.7.3. Tỷ giá hối đoái
• 4.6. Kết luận chương 4
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ
• 5.1. Gợi ý, khuyến nghị
• 5.1.1. Gợi ý cho các NHTM về yếu tố nợ xấu trong quá khứ
• 5.1.2. Gợi ý cho các NHTM về yếu tố trích lập dự phòng rủi ro
• 5.1.3. Gợi ý cho các NHTM về yếu tố tỷ lệ đòn bẩy
• 5.1.4. Gợi ý cho các NHTM về yếu tố quy mô ngân hàng
• 5.1.5. Gợi ý cho các NHTM về yếu tố hiệu quả hoạt động
• 5.2. Hạn chế của khóa luận và đề xuất hướng nghiên cứu tiếp theo
• 5.2.1. Hạn chế của khóa luận
• 5.2.2. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nợ xấu tại ngân hàng thương mại Việt Nam

Nợ xấu là một trong những vấn đề nghiêm trọng đối với các ngân hàng thương mại tại Việt Nam. Tình hình nợ xấu không chỉ ảnh hưởng đến hoạt động của ngân hàng mà còn tác động đến nền kinh tế quốc gia. Theo thống kê, tỷ lệ nợ xấu đã tăng lên đáng kể trong những năm gần đây, đặc biệt là sau đại dịch Covid-19. Việc hiểu rõ về nợ xấu và các yếu tố ảnh hưởng đến nó là rất cần thiết để có những giải pháp hiệu quả.

1.1. Khái niệm và phân loại nợ xấu

Nợ xấu được định nghĩa là các khoản nợ mà khách hàng không trả đúng hạn. Phân loại nợ xấu tại Việt Nam bao gồm 5 nhóm, từ nhóm 1 (nợ đủ tiêu chuẩn) đến nhóm 5 (nợ có khả năng mất vốn). Việc phân loại này giúp ngân hàng đánh giá rủi ro và quản lý nợ hiệu quả hơn.

1.2. Tình hình nợ xấu tại các ngân hàng thương mại

Tình hình nợ xấu tại các ngân hàng thương mại Việt Nam đang ở mức báo động. Theo số liệu từ Ngân hàng Nhà nước, tỷ lệ nợ xấu đã tăng lên 5,41% vào tháng 7/2022. Điều này cho thấy sự cần thiết phải có các biện pháp quản lý nợ xấu hiệu quả hơn.

II. Các yếu tố ảnh hưởng đến nợ xấu tại ngân hàng thương mại

Nợ xấu tại các ngân hàng thương mại Việt Nam chịu ảnh hưởng từ nhiều yếu tố khác nhau. Các yếu tố này có thể được chia thành hai nhóm chính: yếu tố vi mô và yếu tố vĩ mô. Việc phân tích các yếu tố này sẽ giúp các ngân hàng có cái nhìn tổng quan hơn về tình hình nợ xấu.

2.1. Yếu tố vi mô tác động đến nợ xấu

Yếu tố vi mô bao gồm các yếu tố nội tại của ngân hàng như quy mô ngân hàng, tỷ lệ nợ xấu năm trước, và khả năng quản lý rủi ro tín dụng. Những yếu tố này có thể ảnh hưởng trực tiếp đến chất lượng tín dụng và khả năng thu hồi nợ của ngân hàng.

2.2. Yếu tố vĩ mô tác động đến nợ xấu

Yếu tố vĩ mô bao gồm tình hình kinh tế, tỷ giá hối đoái, và lạm phát. Những yếu tố này có thể tác động đến khả năng trả nợ của khách hàng và từ đó ảnh hưởng đến tỷ lệ nợ xấu của ngân hàng.

III. Phương pháp nghiên cứu các yếu tố ảnh hưởng đến nợ xấu

Để nghiên cứu các yếu tố ảnh hưởng đến nợ xấu, phương pháp định lượng và định tính được áp dụng. Việc sử dụng các mô hình hồi quy giúp xác định mối quan hệ giữa các yếu tố độc lập và tỷ lệ nợ xấu. Phương pháp này cho phép đưa ra những kết luận chính xác hơn về tình hình nợ xấu tại các ngân hàng thương mại.

3.1. Mô hình nghiên cứu và giả thuyết

Mô hình nghiên cứu được xây dựng dựa trên các giả thuyết về mối quan hệ giữa các yếu tố tác động và nợ xấu. Các biến độc lập như tỷ lệ nợ xấu năm trước, quy mô ngân hàng, và tốc độ tăng trưởng kinh tế được đưa vào phân tích.

3.2. Phương pháp thu thập dữ liệu

Dữ liệu được thu thập từ báo cáo tài chính của 22 ngân hàng thương mại tại Việt Nam trong giai đoạn từ 2012 đến 2021. Phương pháp này đảm bảo tính chính xác và độ tin cậy của kết quả nghiên cứu.

IV. Kết quả nghiên cứu về nợ xấu tại ngân hàng thương mại

Kết quả nghiên cứu cho thấy có nhiều yếu tố tác động đến nợ xấu tại các ngân hàng thương mại Việt Nam. Các yếu tố này không chỉ ảnh hưởng đến tỷ lệ nợ xấu mà còn tác động đến khả năng sinh lời và sự ổn định của ngân hàng. Việc phân tích kết quả này sẽ giúp các ngân hàng có những biện pháp quản lý nợ xấu hiệu quả hơn.

4.1. Phân tích hồi quy và kết quả

Kết quả phân tích hồi quy cho thấy tỷ lệ nợ xấu năm trước có mối quan hệ tích cực với tỷ lệ nợ xấu hiện tại. Điều này cho thấy rằng các ngân hàng cần chú trọng đến việc quản lý nợ xấu từ những năm trước để giảm thiểu rủi ro.

4.2. Thảo luận về các yếu tố tác động

Các yếu tố như quy mô ngân hàng và khả năng sinh lời cũng có tác động đáng kể đến nợ xấu. Ngân hàng có quy mô lớn thường có khả năng quản lý rủi ro tốt hơn, từ đó giảm thiểu tỷ lệ nợ xấu.

V. Giải pháp giảm thiểu nợ xấu tại ngân hàng thương mại

Để giảm thiểu nợ xấu, các ngân hàng thương mại cần áp dụng nhiều giải pháp khác nhau. Các giải pháp này không chỉ bao gồm việc cải thiện quy trình cho vay mà còn cần có sự phối hợp giữa các bên liên quan trong việc quản lý nợ xấu.

5.1. Cải thiện quy trình cho vay

Cải thiện quy trình cho vay giúp ngân hàng đánh giá chính xác hơn khả năng trả nợ của khách hàng. Việc này có thể giảm thiểu rủi ro và tỷ lệ nợ xấu trong tương lai.

5.2. Tăng cường quản lý rủi ro tín dụng

Tăng cường quản lý rủi ro tín dụng là một trong những giải pháp quan trọng để giảm thiểu nợ xấu. Ngân hàng cần xây dựng các chính sách và quy trình rõ ràng để quản lý rủi ro hiệu quả hơn.

VI. Kết luận và hướng nghiên cứu tiếp theo

Nợ xấu tại các ngân hàng thương mại Việt Nam là một vấn đề phức tạp và cần được giải quyết một cách hiệu quả. Kết quả nghiên cứu đã chỉ ra các yếu tố tác động đến nợ xấu và đề xuất các giải pháp cụ thể. Hướng nghiên cứu tiếp theo có thể tập trung vào việc đánh giá hiệu quả của các giải pháp đã đề xuất.

6.1. Tóm tắt kết quả nghiên cứu

Kết quả nghiên cứu đã chỉ ra rằng nợ xấu tại các ngân hàng thương mại Việt Nam chịu ảnh hưởng từ nhiều yếu tố khác nhau. Việc hiểu rõ các yếu tố này sẽ giúp ngân hàng có những biện pháp quản lý nợ xấu hiệu quả hơn.

6.2. Đề xuất hướng nghiên cứu tiếp theo

Hướng nghiên cứu tiếp theo có thể tập trung vào việc phân tích sâu hơn về các yếu tố vĩ mô và vi mô ảnh hưởng đến nợ xấu, từ đó đưa ra các giải pháp cụ thể hơn cho từng ngân hàng.

Nội dung chính

Giới thiệu dự án

Hoạt động tín dụng là kênh tạo ra nguồn thu nhập chủ đạo nhưng cũng là nguồn gốc phát sinh rủi ro trọng yếu đối với hệ thống ngân hàng thương mại (NHTM). Theo số liệu từ Ngân hàng Nhà nước Việt Nam (NHNN) và Tổng cục Thống kê, dù ngành tài chính – ngân hàng – bảo hiểm duy trì mức tăng trưởng 9,42% (đóng góp 0,52 điểm phần trăm vào GDP năm 2021), tỷ lệ nợ xấu nội bảng và nợ tiềm ẩn (bao gồm nợ đã bán cho Công ty Quản lý Tài sản VAMC chưa xử lý) tính đến tháng 7/2022 đã chạm ngưỡng 5,41%. Lũy kế giai đoạn 2012 – 2022, toàn hệ thống các tổ chức tín dụng (TCTD) đã xử lý 1.499,8 nghìn tỷ đồng nợ xấu, trong đó tự xử lý qua trích lập dự phòng rủi ro và thu hồi nợ chiếm 82,6%.

                                  HỆ THỐNG TÍN DỤNG NHTM

Vấn đề cốt lõi đặt ra là sự suy giảm chất lượng tín dụng do tăng trưởng nóng, thiếu hụt các mô hình kiểm soát định lượng mang tính dự báo, cùng với ảnh hưởng từ các cú sốc vĩ mô (lạm phát, biến động tỷ giá USD/VND, chu kỳ kinh tế). Đề tài khóa luận tốt nghiệp: "Các yếu tố ảnh hưởng đến nợ xấu tại các ngân hàng thương mại Việt Nam" do sinh viên Nguyễn Thị Hồng Loan thực hiện dưới sự hướng dẫn khoa học của TS. Nguyễn Minh Nhật (Trường Đại học Ngân hàng TP.HCM - HUB) tập trung giải quyết bài toán này.

Mục tiêu cụ thể của dự án nghiên cứu bao gồm:

1. Xác định và lượng hóa các nhân tố vi mô nội tại (tỷ lệ nợ xấu quá khứ, dự phòng rủi ro, đòn bẩy tài chính, quy mô, khả năng sinh lời, tăng trưởng tín dụng) và nhân tố vĩ mô (tăng trưởng GDP, lạm phát CPI, tỷ giá USD/VND) tác động đến nợ xấu.
2. Thiết lập mô hình hồi quy kinh tế lượng xử lý triệt để hiện tượng nội sinh (Endogeneity) và tính trễ động lực của nợ xấu.
3. Đề xuất hệ thống giải pháp định lượng và khung khuyến nghị quản trị rủi ro tín dụng cho 22 NHTM Việt Nam.

Phạm vi nghiên cứu bao quát dữ liệu thứ cấp được kiểm toán của 22 NHTM cổ phần tại Việt Nam trong giai đoạn 10 năm liên tục (2012 – 2021) với tổng cộng 220 quan sát dạng dữ liệu bảng cân đối (Balanced Panel Data).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình đánh giá rủi ro tín dụng tại nhiều NHTM hiện nay chủ yếu dựa trên phương pháp chấm điểm tín dụng nội bộ và các hồi quy tĩnh truyền thống. Tuy nhiên, các cách tiếp cận này bộc lộ nhiều điểm nghẽn nghiêm trọng:

Phương pháp đánh giá	Ưu điểm	Nhược điểm / Hạn chế kỹ thuật
Pooled OLS (Hồi quy gộp)	Đơn giản, dễ tính toán, tổng hợp toàn bộ mẫu quan sát.	Bỏ qua đặc trưng riêng lẻ của từng ngân hàng ($u_i$), vi phạm giả định phương sai đồng nhất.
FEM / REM (Hiệu ứng cố định / ngẫu nhiên)	Kiểm soát được tính không đồng nhất giữa các ngân hàng ($u_i$).	Bị chệch và không vững khi đưa biến trễ ($NPL_{t-1}$) vào mô hình do vi phạm giả định ngoại sinh $Cov(NPL_{i,t-1}, \varepsilon_{i,t}) \neq 0$.
Dynamic GMM (System GMM - Blundell & Bond)	Khắc phục nội sinh, kiểm soát phương sai thay đổi và tự tương quan.	Đòi hỏi cấu trúc dữ liệu bảng $N > T$, kỹ thuật lựa chọn biến công cụ phức tạp.

Áp dụng khung phân loại yêu cầu MoSCoW cho thiết kế mô hình:

• Must have: Xử lý biến trễ nợ xấu $NPL_{t-1}$, kiểm soát đa cộng tuyến ($VIF < 10$), xử lý phương sai thay đổi và tự tương quan chuỗi bậc 1.
• Should have: So sánh kiểm định lựa chọn mô hình (F-test, Hausman Test, Breusch-Pagan Lagrange Multiplier).
• Could have: Đánh giá độ nhạy của tỷ giá USD/VND trung bình năm đến khả năng trả nợ ngoại tệ.
• Won't have: Mô hình hóa rủi ro phi tuyến tính bằng mạng nơ-ron nhân tạo (vượt ngoài phạm vi dữ liệu bảng kinh tế lượng).

Thiết kế hệ thống

Mô hình nghiên cứu thực nghiệm tổng quát được cấu trúc như sau:

$$NPL_{i,t} = \beta_0 + \beta_1 NPL_{i,t-1} + \beta_2 LLP_{i,t} + \beta_3 LEV_{i,t} + \beta_4 SIZE_{i,t} + \beta_5 ROA_{i,t-1} + \beta_6 LG_{i,t} + \beta_7 INF_t + \beta_8 GDP_t + \beta_9 USD_t + u_i + \varepsilon_{i,t}$$

Từ điển dữ liệu và định nghĩa biến:

• Biến phụ thuộc: $NPL_{i,t}$ = $(\text{Nợ nhóm 3 + Nợ nhóm 4 + Nợ nhóm 5}) / \text{Tổng dư nợ cho vay}$.
• Biến vi mô nội tại:
  • $NPL_{i,t-1}$: Tỷ lệ nợ xấu kỳ trước (Độ trễ đo lường tính dai dẳng rủi ro).
  • $LLP_{i,t}$: Tỷ lệ dự phòng rủi ro tín dụng = $\text{Dự phòng rủi ro} / \text{Tổng tài sản}$.
  • $LEV_{i,t}$: Tỷ lệ đòn bẩy tài chính = $\text{Tổng nợ phải trả} / \text{Tổng tài sản}$.
  • $SIZE_{i,t}$: Quy mô ngân hàng = $\ln(\text{Tổng tài sản})$.
  • $ROA_{i,t-1}$: Khả năng sinh lời kỳ trước = $\text{Lợi nhuận sau thuế}{t-1} / \text{Tổng tài sản}{t-1}$.
  • $LG_{i,t}$: Tốc độ tăng trưởng tín dụng = $(\text{Dư nợ}t - \text{Dư nợ}{t-1}) / \text{Dư nợ}_{t-1}$.
• Biến vĩ mô:
  • $INF_t$: Tỷ lệ lạm phát hàng năm tính theo chỉ số giá tiêu dùng CPI (%).
  • $GDP_t$: Tốc độ tăng trưởng tổng sản phẩm quốc nội thực tế (%).
  • $USD_t$: Tỷ giá hối đoái bình quân USD/VND liên ngân hàng.

Technology Stack nghiên cứu:

• Stata MP v14.2 / v16.0: Môi trường phân tích định lượng, ước lượng hồi quy xtreg, xtabond2, chạy kiểm định chẩn đoán.
• Microsoft Excel 365: Chuẩn hóa cấu trúc bảng ma trận dữ liệu bảng 2 chiều (Panel balanced format).
• Python 3.10 (Pandas, Statsmodels): Kiểm tra chéo (Cross-validation) dữ liệu và trực quan hóa phân phối biến.

Methodology

Quy trình nghiên cứu áp dụng phương pháp định lượng thực nghiệm chuẩn mực quốc tế theo 7 giai đoạn:

1. Lược khảo lý thuyết: Tổng hợp lý thuyết rủi ro đạo đức (Moral Hazard), lý thuyết lựa chọn đối nghịch (Adverse Selection) và mô hình trích lập dự phòng.
2. Xây dựng giả thuyết: Thiết lập 9 giả thuyết thực nghiệm từ $H_1$ đến $H_9$.
3. Mẫu và tiền xử lý: Thu thập dữ liệu từ 22 NHTM niêm yết và chưa niêm yết có báo cáo kiểm toán đầy đủ từ 2012 – 2021.
4. Hồi quy cơ sở: Chạy mô hình Pooled OLS, FEM (Fixed Effects) và REM (Random Effects).
5. Kiểm định lựa chọn mô hình:
   • Kiểm định $F$: So sánh Pooled OLS và FEM ($H_0$: Các hiệu ứng riêng lẻ $u_i = 0$).
   • Kiểm định Hausman: So sánh FEM và REM ($H_0$: Không có tương quan giữa $u_i$ và các biến giải thích).
   • Kiểm định Breusch-Pagan LM: So sánh Pooled OLS và REM.
6. Kiểm tra khuyết tật mô hình: Kiểm tra hiện tượng đa cộng tuyến (VIF), phương sai sai số thay đổi (Modified Wald / Breusch-Pagan) và tự tương quan (Wooldridge test).
7. Ước lượng nâng cao: Khắc phục khuyết tật bằng kỹ thuật ước lượng System Generalized Method of Moments (S-GMM) 2 bước (Two-step System GMM) với hiệu chỉnh sai số chuẩn Windmeijer (2005).

---

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được triển khai thông qua hệ thống script lệnh chuyên sâu trong Stata:

* Thiết lập cấu trúc dữ liệu bảng cân đối
clear all
import excel "NPL_Data_2012_2021.xlsx", sheet("PanelData") firstrow
destring NPL NPL_lag LLP LEV SIZE ROA_lag LG INF GDP USD, replace
xtset bank_id year

* 1. Thống kê mô tả và Ma trận tương quan
summarize NPL NPL_lag LLP LEV SIZE ROA_lag LG INF GDP USD
pwcorr NPL NPL_lag LLP LEV SIZE ROA_lag LG INF GDP USD, sig star(0.05)

* 2. Ước lượng mô hình tĩnh OLS, FEM, REM
regress NPL NPL_lag LLP LEV SIZE ROA_lag LG INF GDP USD
vif

xtreg NPL NPL_lag LLP LEV SIZE ROA_lag LG INF GDP USD, fe
estimates store FEM_model

xtreg NPL NPL_lag LLP LEV SIZE ROA_lag LG INF GDP USD, re
estimates store REM_model

* 3. Kiểm định lựa chọn mô hình
hausman FEM_model REM_model

* 4. Kiểm tra khuyết tật mô hình FEM
xttest3                                      // Kiểm định phương sai thay đổi Modified Wald
xtserial NPL NPL_lag LLP LEV SIZE ROA_lag LG INF GDP USD  // Kiểm định tự tương quan Wooldridge

* 5. Ước lượng hồi quy động System GMM (Blundell & Bond 1998)
xtabond2 NPL L.NPL LLP LEV SIZE L.ROA LG INF GDP USD, ///
    gmm(L.NPL LLP LEV, laglimits(2 4) collapse) ///
    iv(SIZE L.ROA LG INF GDP USD) ///
    twostep robust small

Testing và validation

Toàn bộ 220 quan sát được đưa vào kiểm định kiểm soát chất lượng khắt khe:

                               KẾT QUẢ KIỂM ĐỊNH MÔ HÌNH

Mô hình hồi quy mẫu giải thích được $R^2 = 37,07%$ sự biến thiên của tỷ lệ nợ xấu $NPL$. Kết quả kiểm định Breusch-Pagan và Wooldridge ($p\text{-value} = 0.0000 < 0.05$) khẳng định mô hình FEM gốc tồn tại khuyết tật phương sai sai số thay đổi và tự tương quan chuỗi. Do đó, ước lượng bằng System GMM là lựa chọn tối ưu, đảm bảo các ước lượng thu được không chệch, vững và tiệm cận hiệu quả (Asymptotically Efficient).

Kết quả đạt được

Tỷ lệ nợ xấu trung bình của 22 NHTM trong giai đoạn 2012 – 2021 đạt 2,06% (độ lệch chuẩn 0,84%), nằm trong ngưỡng an toàn dưới 3% theo quy chuẩn NHNN. Giá trị nợ xấu nhỏ nhất ghi nhận tại Techcombank (2020) và cao nhất tại VietABank (2012).

                 MỨC ĐỘ ẢNH HƯỞNG CỦA CÁC YẾU TỐ ĐẾN NỢ XẤU (S-GMM)
   Yếu tố Vi mô / Vĩ mô                     Hệ số Tác động (Hồi quy)
   Nợ xấu năm trước (NPL_lag)    [+]  ████████████████████  (p < 0.01)
   Dự phòng RRTD (LLP)          [+]  ██████████████        (p < 0.01)
   Tỷ lệ đòn bẩy (LEV)           [+]  ███████               (p < 0.05)
   Tăng trưởng Tín dụng (LG)     [-]  ██████                (p < 0.05)
   Tăng trưởng Kinh tế (GDP)     [-]  ████████████          (p < 0.01)
   Quy mô Ngân hàng (SIZE)       [+]  ████                  (p < 0.10)
   Suất sinh lời (ROA_lag)       [-]  █████                 (p < 0.05)
   Tỷ giá USD/VND                [-]  ███                   (p < 0.10)
   Lạm phát (INF)                [+]  ██                    (p > 0.10 - Không có ý nghĩa)

1. Tính dai dẳng của nợ xấu ($NPL_{t-1}$): Tác động cùng chiều mạnh mẽ ở mức ý nghĩa 1% ($p < 0.01$). Khi nợ xấu năm trước tăng 1%, nợ xấu năm nay có xu hướng tăng trung bình 0,38% do các khoản nợ tồn đọng chưa thể xử lý dứt điểm ngay trong một chu kỳ tài chính.
2. Dự phòng rủi ro tín dụng ($LLP$): Tác động cùng chiều ($p < 0.01$). Chi phí trích lập dự phòng gia tăng phản ánh danh mục tín dụng của ngân hàng đang chuyển dịch sang các nhóm nợ có rủi ro cao hơn (nhóm 3, 4, 5).
3. Đòn bẩy tài chính ($LEV$): Tác động cùng chiều ($p < 0.05$). Việc mở rộng tổng nợ quá mức so với vốn chủ sở hữu làm gia tăng áp lực thanh khoản và nguy cơ vỡ nợ của danh mục tài sản sinh lời.
4. Tăng trưởng kinh tế ($GDP$): Tác động ngược chiều mạnh ($p < 0.01$). Khi nền kinh tế tăng trưởng tích cực, doanh nghiệp mở rộng sản xuất và gia tăng dòng tiền, từ đó nâng cao năng lực hoàn trả nợ gốc và lãi đúng hạn.
5. Hiệu quả hoạt động ($ROA_{t-1}$): Tác động ngược chiều ($p < 0.05$), củng cố giả thuyết quản trị chất lượng (Bad Management Hypothesis): ngân hàng có năng lực sinh lời cao sở hữu quy trình thẩm định tín dụng chặt chẽ hơn.

---

Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn đáng kể so với các công trình trước đây:

Tiêu chí so sánh	Nghiên cứu của Bùi Thanh Thủy (2019)	Nghiên cứu của Nguyễn Đông Duy (2022)	Nghiên cứu hiện tại (Khóa luận)
Giai đoạn nghiên cứu	2008 – 2017 (31 NHTM)	2010 – 2020 (22 NHTM)	2012 – 2021 (22 NHTM) (Bao hàm cú sốc đại dịch Covid-19)
Phương pháp chính	Static FEM/REM, OLS	Static REM	Two-step System GMM (Blundell & Bond)
Kiểm soát nội sinh	Giới hạn ở mô hình tĩnh	Không kiểm soát nội sinh biến trễ	Kiểm soát triệt để qua Hansen test & AR(2)
Biến vĩ mô mở rộng	GDP, Lạm phát	GDP, Lạm phát, Tín dụng/Huy động	Bổ sung Tỷ giá USD/VND trung bình năm
Độ chính xác chuẩn sai	Không hiệu chỉnh mẫu nhỏ	Sai số tiêu chuẩn OLS thông thường	Hiệu chỉnh sai số chuẩn Windmeijer Robust

Các điểm cải tiến nổi bật:

• Khắc phục hoàn toàn hiện tượng tự tương quan và phương sai thay đổi: Việc áp dụng mô hình System GMM giúp các hệ số ước lượng không bị thổi phồng độ tin cậy sai lệch, tăng tính vững của kết quả lên 95%.
• Bằng chứng thực nghiệm trong bối cảnh tái cơ cấu và Nghị quyết 42/2017/QH14: Cung cấp bức tranh toàn diện về quá trình xử lý nợ xấu thực chất tại Việt Nam giai đoạn 2012-2021, phản ánh năng lực tự xử lý của các NHTM chiếm tới 82,6%.

---

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-World Use Cases)

                            HỆ THỐNG CẢNH BÁO SỚM NỢ XẤU (EWS)

Mô hình thực nghiệm cung cấp bộ tham số định lượng để xây dựng Hệ thống cảnh báo sớm rủi ro tín dụng (Early Warning System - EWS) tại Khối Quản lý Rủi ro của các NHTM:

• Tình huống 1: Thiết lập hạn mức đòn bẩy an toàn: Dựa trên tác động cùng chiều của biến $LEV$, phòng ALM (Quản lý Tài sản Nợ - Có) có thể thiết lập ngưỡng trần đòn bẩy $LEV \le 88%$ nhằm ngăn chặn rủi ro mất cân đối thanh khoản.
• Tình huống 2: Dự báo trích lập dự phòng chu kỳ suy thoái: Khi tăng trưởng GDP suy giảm 1%, hệ thống tự động tính toán mức gia tăng nợ xấu dự kiến để chủ động tăng đệm dự phòng rủi ro tín dụng ($LLP$) thêm 0,15% - 0,25% từ quý trước.

Lộ trình triển khai khuyến nghị tại NHTM

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

• Chi phí triển khai: Khoảng 400 - 600 triệu VND (chi phí tích hợp mô hình dữ liệu, tinh chỉnh phần mềm và đào tạo nhân sự rủi ro).
• Lợi ích kinh tế (ROI): Giảm thiểu tỷ lệ nợ xấu phát sinh từ 0,2% - 0,4%/năm trên tổng danh mục tín dụng. Với một ngân hàng có quy mô dư nợ 150.000 tỷ đồng, việc giảm 0,2% nợ xấu tương đương tiết kiệm 300 tỷ đồng chi phí trích lập dự phòng và tổn thất vốn hàng năm.

---

Hạn chế và hướng phát triển

Dù đạt được những kết quả có ý nghĩa thống kê và thực tiễn cao, đề tài ghi nhận một số hạn chế:

1. Quy mô mẫu: Mẫu dừng lại ở 22 NHTM trong giai đoạn 2012 – 2021. Một số ngân hàng yếu kém thuộc diện chuyển giao bắt buộc hoặc ngân hàng quy mô nhỏ chưa công bố đầy đủ BCTC kiểm toán không được đưa vào phân tích.
2. Yếu tố định tính phi tài chính: Chưa đưa vào mô hình các chỉ số quản trị doanh nghiệp (Corporate Governance), cấu trúc Hội đồng Quản trị, mức độ chuyển đổi số và khẩu vị rủi ro đặc thù của từng ngân hàng.
3. Cấu trúc dữ liệu chuỗi: Khóa luận sử dụng tần suất dữ liệu theo năm ($T = 10$). Tần suất này chưa phản ánh được các biến động ngắn hạn theo quý.

Hướng nghiên cứu mở rộng đề xuất:

• Ứng dụng dữ liệu bảng tần suất Quý (Quarterly Panel Data) giai đoạn 2015 – 2025 để bắt kịp tác động hậu phục hồi kinh tế và áp dụng chuẩn mực Basel III / IFRS 9.
• Ứng dụng thuật toán học máy phân loại (Machine Learning: XGBoost, Random Forest) kết hợp kinh tế lượng truyền thống để tối ưu hóa năng lực dự báo vỡ nợ cá thể (Individual Default Prediction).

---

Đối tượng hưởng lợi

• Sinh viên & Học viên chuyên ngành Tài chính - Ngân hàng: Tiếp cận khung phương pháp luận nghiên cứu định lượng chuẩn mực, làm chủ kỹ thuật ước lượng mô hình động System GMM trên phần mềm Stata.
• Chuyên viên Phân tích Dữ liệu / Quản trị Rủi ro Tín dụng: Khai thác hệ thống biến số và bộ trọng số thực nghiệm đã được kiểm định để áp dụng trực tiếp vào mô hình Stress Testing và EWS nội bộ.
• Ban Điều hành & Lãnh đạo các NHTM: Có căn cứ khoa học vững chắc để hoạch định chính sách cấp tín dụng, điều hòa tốc độ tăng trưởng tín dụng ($LG$) tương thích với năng lực quản trị, tối ưu hóa đòn bẩy tài chính ($LEV$).
• Cơ quan Quản lý Nhà nước (NHNN): Dữ liệu tham khảo để điều hành hạn mức tăng trưởng tín dụng (Room tín dụng) linh hoạt theo nhóm quy mô ngân hàng ($SIZE$) và điều phối chính sách tiền tệ phù hợp với diễn biến vĩ mô ($GDP, USD$).

---

Câu hỏi thường gặp

1. Tại sao nghiên cứu phải dùng mô hình System GMM thay vì OLS hoặc FEM thông thường?

Mô hình nghiên cứu nợ xấu có chứa biến trễ phụ thuộc $NPL_{t-1}$ (nợ xấu kỳ trước ảnh hưởng đến nợ xấu kỳ này). Khi có biến trễ, các mô hình tĩnh như Pooled OLS, FEM và REM sẽ vi phạm giả định quan trọng: biến giải thích tương quan với sai số ($Cov(NPL_{i,t-1}, \varepsilon_{i,t}) \neq 0$). Điều này dẫn đến hiện tượng chệch nội sinh (Endogeneity Bias). System GMM (Blundell & Bond, 1998) giải quyết triệt để khuyết tật này bằng cách sử dụng các biến trễ công cụ ở cả phương trình sai phân và phương trình mức.

2. Mô hình có gặp hiện tượng quá nhiều biến công cụ (Instrument Proliferation) không?

Không. Nghiên cứu đã áp dụng tùy chọn collapse trong câu lệnh xtabond2 của Stata để thu gọn ma trận biến công cụ và kiểm soát số lượng công cụ nhỏ hơn số lượng nhóm quan sát ($N = 22$). Tính hợp lệ của biến công cụ được xác nhận thông qua kiểm định Hansen J-test với $p\text{-value} = 0.2517 > 0.05$ (không bác bỏ giả thuyết $H_0$: biến công cụ hoàn toàn ngoại sinh).

3. Tỷ giá USD/VND ảnh hưởng như thế nào đến nợ xấu ngân hàng?

Tỷ giá USD/VND tác động hai chiều. Đối với các doanh nghiệp nhập khẩu nguyên vật liệu hoặc vay nợ bằng đồng USD, khi tỷ giá USD tăng, nghĩa vụ nợ quy đổi ra VND tăng cao, làm suy giảm khả năng trả nợ và gia tăng rủi ro nợ xấu. Ngược lại, đối với doanh nghiệp xuất khẩu, tỷ giá tăng giúp tăng doanh thu quy đổi, hỗ trợ dòng tiền trả nợ ngân hàng.

4. Kết quả nghiên cứu có khuyến nghị gì về việc kiểm soát tốc độ tăng trưởng tín dụng?

Nghiên cứu chỉ ra rằng tăng trưởng tín dụng nóng nếu không đi kèm quy trình thẩm định tín dụng nghiêm ngặt sẽ tạo ra nợ xấu tiềm ẩn có độ trễ 1-2 năm sau. Do đó, các NHTM không nên chạy theo mục tiêu quy mô dư nợ ngắn hạn mà cần kiểm soát chất lượng danh mục, gắn tăng trưởng tín dụng với năng lực vốn tự có (Hệ số CAR).

5. Yêu cầu dữ liệu tối thiểu để một ngân hàng có thể triển khai mô hình này là gì?

Ngân hàng cần xây dựng hệ thống dữ liệu chuỗi thời gian tối thiểu 5 – 8 năm liên tục về: dư nợ phân loại theo 5 nhóm nợ (theo Thông tư 11/2021/TT-NHNN), chi phí trích lập dự phòng cụ thể và chung, cấu trúc vốn - tài sản, kết quả kinh doanh định kỳ (tháng/quý) và đồng bộ dữ liệu chỉ số vĩ mô từ NHNN.

---

Kết luận

Khóa luận tốt nghiệp "Các yếu tố ảnh hưởng đến nợ xấu tại các ngân hàng thương mại Việt Nam" của tác giả Nguyễn Thị Hồng Loan đã hoàn thành trọn vẹn mục tiêu nghiên cứu với hàm lượng học thuật cao và tính ứng dụng thực tiễn vượt trội. Bằng việc kết hợp hệ phương pháp định lượng hiện đại — từ hồi quy tĩnh Pooled OLS, FEM, REM đến kỹ thuật hồi quy động System GMM trên mẫu 22 NHTM Việt Nam (2012 – 2021), nghiên cứu đã chứng minh rõ nét tác động cùng chiều của nợ xấu kỳ trước, dự phòng rủi ro tín dụng, đòn bẩy tài chính; đồng thời khẳng định vai trò kìm hãm nợ xấu của tăng trưởng kinh tế vĩ mô và hiệu quả sinh lời nội tại.

Các phát hiện thực nghiệm là cơ sở định lượng quan trọng giúp các nhà hoạch định chính sách tại Ngân hàng Nhà nước và ban lãnh đạo các NHTM thiết lập các rào chắn rủi ro hữu hiệu, đẩy mạnh tái cơ cấu tài chính và hướng tới sự phát triển an toàn, bền vững của toàn hệ thống ngân hàng Việt Nam.

Trích đoạn nội dung tài liệu

Chương 1 trình bày tổng quan về khóa luận. Nội dung chính bao gồm lý do chọn đề tài, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, ý nghĩa thực tiễn và khoa học của đề tài. Qua đó giúp cho người đọc có cái nhìn bao quát về đề tài nghiên cứu, chương tiếp theo sẽ cho thấy tổng quan về các nghiên cứu trước về vấn đề trình bày. 6 CHƢƠNG 2: CƠ SỞ LÝ THUYẾT VÀ KHẢO LƢỢC NGHIÊN CỨU Tóm tắt chương 2: Chương 2 sẽ trình bày cơ sở lý thuyết liên quan đến nợ xấu và các bằng chứng thực nghiệm trong và ngoài nước về các yếu tố ảnh hưởng đến nợ xấu tại các ngân hàng thương mại Việt Nam.

Khái niệm chung 2. Nợ xấu Thuật ngữ nợ xấu được sử dụng với các từ khác nhau như “Nonperforming loans”, “bad debt” chỉ các khoản nợ khó đòi (Fofack, 2005) hoặc các khoản vay có vấn đề ((Berger and DeYoung 1997)) hoặc khoản nợ không trả được mà ngân hàng không thể thu hồi (Ernst & Young, 2004) hay các khoản cho vay được đưa vào nợ xấu khi đã quá hạn trả nợ gốc và lãi 90 ngày trở lên (Rose, 2004). Hiện nay, không có bất kỳ một quy tắc nào hay chuẩn mực nào được thống nhất khi nói về vấn đề nợ xấu. Tại Châu Âu, Ngân hàng Trung Ương Châu Âu (ECB) cho rằng: “Nợ xấu là những khoản cho vay không có khả năng thu hồi hoặc là những khoản cho vay có thể không thanh toán đầy đủ cho ngân hàng”.

Theo Quỹ tiền tệ Quốc tế (IMF) nợ xấu là :“Một khoản vay được coi là không sinh lời (nợ xấu) khi quá hạn thanh toán gốc hoặc lãi 90 ngày trở lên; khi các khoản lãi đã quá hạn 90 ngày hoặc hơn đã được vốn hóa, cơ cấu lại, hoặc trì hoãn theo thỏa thuận; khi các khoản thanh toán đến hạn dưới 90 ngày nhưng có thể nhận thấy những dấu hiệu rõ ràng cho thấy người vay sẽ không thể hoàn trả nợ đầy đủ (người vay phá sản)” Theo Ủy ban Basel về Giám sát Ngân hàng (BCBS): Tổ chức này không định nghĩa nợ xấu một cách cụ thể, thay vào đó BCBS chỉ công bố những thông lệ chung về quản lý rủi ro tín dụng tại nhiều quốc gia thuộc BCBS hướng dẫn xác định khoản nợ được xem là không có khả năng hoàn trả khi một trong hai điều kiện hoặc cả hai 7 điều kiện xảy ra: ngân hàng thấy người vay không có khả năng trả nợ đầy đủ khi ngân hàng chưa thực hiện hành động gì để cố gắng thu hồi và người vay đã quá hạn trả nợ quá 90 ngày. Tại Việt Nam, nợ xấu được định nghĩa cụ thể tại các quy định như sau: Theo Quyết định số 22/VBHN-NHNN ngày 04/6/2014 của NHNN Việt Nam ban hành quy định về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng của tổ chức tín dụng, định nghĩa “Nợ xấu là nợ thuộc các nhóm 3 ( nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ), và nhóm 5 (nợ có khả năng mất vốn)”. Qua những định nghĩa trên, có thể khái quát về định nghĩa nợ xấu là các khoản nợ mà khách hàng không trả cả gốc và lãi đúng hạn hoặc không trả nợ như đã cam kết đẫn đến thiệt hại cho ngân hàng. Cũng có thể hiểu một cách bao quát, nợ xấu là các khoản dư nợ đã quá hạn 90 ngày hoặc hơn và khả năng trả nợ của khách hàng được xếp vào loại nghi ngờ về khoản vay sẽ được thanh toán đầy đủ.

Phân loại nợ Phân loại nợ là quá trình các tổ chức tín dụng căn cứ vào các tiêu chuẩn định tính và định lượng để đánh giá mức độ rủi ro và đặc điểm tương đồng, trên cơ sở đó phân loại các khoản nợ vào các nhóm nợ thích hợp. Giữa các quốc gia có sự đa dạng trong việc phân loại và lập dự phòng, gây ra nhiều khó khăn cho việc phân loại nợ cả trên lý thuyết và thực tế. Từ đó, Ủy ban Basel hướng tới việc thống nhất chung tiêu chuẩn trong phân loại nợ và trích lập dự phòng rủi ro ở các quốc gia đã đưa ra các hướng dẫn và nguyên tắc nhưng không đưa ra một hệ thống phân loại nợ cụ thể hay các quy trình được chuẩn hóa để đánh giá rủi ro tín dụng. Theo Lastra và các cộng sự (2016) đã chỉ ra sự khác nhau tại các ngân hàng thuộc nhóm G-20 trong việc phân loại nợ xấu.

Hầu hết các quốc gia này cho rằng vai trò của ngân hàng hoặc kiểm toán là để đưa ra các ý kiến xem xét tính đầy đủ, phù hợp và thống nhất trong việc phân loại nợ xấu hay chưa nhưng không ràng buộc quản lý 8 chi tiết và phải chịu trách nhiệm trực tiếp về cách phân loại này. Các nước Mỹ và Đức sử dụng loại hình tiếp cận phân loại nợ rõ ràng, tuy nhiên tại Anh, Hà Lan thì không cần các ngân hàng sử dụng một loại hình phân loại nợ cụ thể nào, cho phép tự phân loại và được giám sát định kỳ bởi giám sát ngân hàng. Pháp và Ý quy định một hệ thống yêu cầu tối thiểu để một khoản vay bị xem là có dấu hiệu xấu đi nhưng không đi sâu vào chi tiết hướng dẫn cụ thể từng trường hợp phân loại. Tại Châu Á các nước thường quy định cách phân loại tương đồng về các phân loại các khoản nợ vay nhóm 4 và 5.

Tại Việt Nam, theo khoản 3, Điều 1 Quyết định 18/2007/QĐ-NHNN sửa đổi, bổ sung Điều 6 Quyết định 493/2005/QĐ-NHNN về việc phân chia các nhóm nợ, cụ thể là 5 nhóm bao gồm: Nhóm nợ Phân loại nợ (Số ngày quá hạn) 1 Dưới 10 ngày 2 Từ 10 đến 90 ngày 3 Từ 91 đến 180 ngày 4 Từ 181 đến 360 ngày 5 Trên 360 ngày Bảng 1. Phân loại nhóm nợ Theo phương pháp định tính các tổ chức tín dụng sử dụng hệ thống xếp hạng nội bộ, chia nợ thành 5 nhóm, căn cứ vào chính sách dự phòng rủi ro và quản lý rủi ro, mô hình giám sát, phương pháp xác định đo lường rủi ro phù hợp với quy định của pháp luật và sự quản lý của ngân hàng nhà nước. Dù sử dụng phương pháp phân loại nợ định lượng hay định tính thì các khoản nợ được xắp xếp vào nhóm 3 đến 5 đều xác định là danh mục nợ xấu của ngân hàng, trường hợp có sự khác nhau giữa hai phương pháp thì khoản nợ sẽ được phân vào nhóm có mức độ rủi ro cao hơn. Chỉ tiêu đo lƣờng nợ xấu Theo Ngô Thế Chi, Nguyễn Trọng Cơ (2005), Nghiêm Thị Hà (2017), Phan Thị Thu Hà (2002), nợ xấu được đo lường qua 4 chỉ tiêu cơ bản sau: Tỷ lệ nợ quá hạn = Chỉ tiêu nợ quá hạn của ngân hàng phản ánh chất lượng tín dụng của ngân hàng đang diễn ra theo chiều hướng nào thông qua hiệu suất thu hồi nợ đối với các khoản vay.

Khi tỷ lệ nợ quá hạn của ngân hàng ở mức cao thì chứng tỏ ngân hàng có nợ xấu cao cũng đồng nghĩa với chất lượng tín dụng tại ngân hàng chưa được tốt và ngược lại. Tỷ lệ nợ xấu = Chỉ tiêu tỷ lệ nợ xấu của ngân hàng phản ánh rõ nét chất lượng tín dụng và khả năng quản lý tín dụng của ngân hàng. Tỷ lệ nợ xấu là tỷ trọng giữ dư nợ từ nhóm 3 đến dư nợ nhóm 5 trong 5 nhóm dư nợ theo quy định của Ngân hàng Trung Ương. Tỷ trọng này càng cao càng thể hiện chất lượng tín dụng kém của ngân hàng, khả năng ngân hàng bị mất vốn cao dẫn đến giảm hiệu quả hoạt động tín dụng.

Thông thường những ngân hàng có tỷ lệ nợ xấu cao là những ngân hàng có chất lượng tín dụng thấp, không thực hiện đúng quy trình cấp tín dụng theo quy định. Hệ số rủi ro tín dụng = Chỉ tiêu hệ số rủi ro tín dụng cho biết tỷ trọng của các khoản mục về tín dụng so với tổng tài sản có của ngân hàng. Lợi nhuận có quan hệ cùng chiều với các khoản mục tín dụng, khi lợi nhuận do tín dụng mang lại càng cao cũng đồng nghĩa với sự hao hụt về tín dụng cũng sẽ càng cao. Dự phòng rủi ro tín dụng = 10 Chỉ tiêu dự phòng rủi ro tín dụng là những khoản chi phí dự phòng cho những thất thoát về tài sản của ngân hàng khi khách hàng không hoàn trả nợ vay cho ngân hàng như đã cam kết.

Mức trích lập cụ thể từng khoản vay là bao nhiêu tùy thuộc vào nhóm nợ của khách hàng. Nhóm nợ càng cao thể hiện khả năng thu hồi nợ của ngân hàng càng thấp, mức trích lập dự phòng càng cao sẽ tác động làm giảm hiệu quả hoạt động kinh doanh, hay nói cách khác là ảnh hưởng đến lợi nhuận của ngân hàng. Các yếu tố ảnh hƣởng đến nợ xấu Để giải thích sự biến động tỷ lệ nợ xấu qua các thời kỳ có 2 nhóm yếu tố chính là yếu tố vĩ mô tập trung về những ảnh hưởng của toàn bộ nền kinh tế, những chính sách điều hành của nhà nước, hệ thống pháp luật và môi trường chính trị; yếu tố vi mô tập trung về ảnh hưởng của khả năng trả nợ của người vay và yếu tố thuộc về ngân hàng (Nguyễn Thị Hồng Vinh 2017). Yếu tố vi mô 2.

Tỷ lệ nợ xấu năm trƣớc Theo Salas và Saurina (2002), nợ xấu trong quá khứ có mối tương quan cùng chiều với tỷ lệ nợ xấu hiện tại. Trong thực tế, rất khó để giải quyết triệt để các khoản nợ xấu trong quá khứ bởi rất nhiều nguyên nhân khách quan và chủ quan. Các NHTM luôn cố gắng giải quyết dứt điểm các khoản nợ xấu nhằm đưa tỷ lệ nợ xấu của ngân hàng mình về mức thấp nhất có thể đồng thời nâng cao hiệu quả hoạt động kinh doanh của đơn vị mình”. Trong khi đó theo Makri, Tsagkanos, và Bellas (2014), việc thu hồi nợ không hiệu quả là nguyên nhân tăng nợ xấu cũng như những khó khăn gặp phải khi xử lý các khoản nợ xấu.

Thêm vào đó, các khoản nợ xấu tồn đọng tại các năm trước đến hiện tại chưa được giải quyết triệt để thì sẽ làm tăng nợ xấu trong năm hiện tại 11 2. Quy mô ngân hàng Quy mô thể hiện năng lực thị trường của một ngân hàng. Hầu hết kết quả của các đều chỉ ra yếu tố quy mô ngân hàng tác động cùng chiều đến tỷ lệ nợ xấu. Có thể như nghiên cứu của Stern và Feldman (2004) chỉ ra rằng quy mô càng lớn thì tỷ lệ nợ xấu của xu hướng càng cao.