Tổng quan nghiên cứu

Rủi ro tín dụng và nợ xấu luôn là thách thức cốt lõi đe dọa trực tiếp đến sự an toàn của hệ thống tài chính cũng như sự phát triển bền vững của nền kinh tế. Theo thống kê của Ngân hàng Nhà nước, chịu tác động nặng nề từ đại dịch, tỷ lệ nợ xấu gộp toàn ngành ngân hàng vào năm 2021 ước tính chạm mức 7,31% khi tính cả nợ tái cơ cấu và nợ tiềm ẩn. Riêng tỷ lệ nợ xấu nội bảng năm 2021 là 1,9%, tăng 0,21 điểm phần trăm so với mức 1,69% của năm 2020, và nếu tính thêm các khoản nợ đã bán cho Công ty Quản lý tài sản của các tổ chức tín dụng Việt Nam (VAMC) chưa xử lý thì con số này lên tới 3,9%.

Trong bối cảnh hoạt động tín dụng chiếm hơn 70% tổng thu nhập của các ngân hàng thương mại, việc tiếp nhận và xử lý dữ liệu khách hàng chính xác là yếu tố then chốt để hạn chế rủi ro vỡ nợ. Sự bùng nổ của cuộc Cách mạng công nghiệp 4.0 đã đưa công nghệ thông tin trở thành đòn bẩy chiến lược giúp minh bạch hóa dòng tiền và xóa bỏ rào cản thông tin bất cân xứng.

Mục tiêu trọng tâm của nghiên cứu là đánh giá định lượng tác động của mức độ phát triển và ứng dụng công nghệ thông tin đến tỷ lệ nợ xấu tại 16 ngân hàng thương mại cổ phần niêm yết trên thị trường chứng khoán Việt Nam trong giai đoạn 8 năm từ 2013 đến 2020. Nghiên cứu mang ý nghĩa thực tiễn sâu sắc khi cung cấp căn cứ thực nghiệm giúp các ngân hàng kiểm soát tỷ lệ nợ xấu duy trì dưới ngưỡng an toàn 3% theo Thông tư 36/2014/TT-NHNN, tối ưu hóa chi phí trích lập dự phòng rủi ro và gia tăng hiệu quả sử dụng vốn dài hạn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng của Lý thuyết Thông tin bất cân xứng do George Akerlof khởi xướng năm 1970 và được Frederic Mishkin phát triển hoàn thiện vào năm 1995 trong lĩnh vực tài chính. Khi ngân hàng thiếu hụt thông tin kiểm chứng về khách hàng vay vốn, hai hệ quả nghiêm trọng sẽ phát sinh: Lựa chọn đối nghịch trước khi giải ngân và Rủi ro đạo đức sau khi khoản vay được cấp. Bên cạnh đó, Lý thuyết Quản trị xấu của Berger và DeYoung (1997) cũng được kết hợp để giải thích mối quan hệ giữa năng lực quản trị, trình độ công nghệ và chất lượng tài sản có.

Mô hình nghiên cứu thực nghiệm được thiết lập như sau:

Tỷ lệ nợ xấu (NPL) = Hằng số + Hệ số hồi quy 1 * Mức độ phát triển và ứng dụng CNTT (ICT) + Hệ số hồi quy 2 * Tỷ lệ nợ xấu năm trước (PNPL) + Hệ số hồi quy 3 * Quy mô ngân hàng (SIZE) + Hệ số hồi quy 4 * Tốc độ tăng trưởng tín dụng (CRD) + Hệ số hồi quy 5 * Tỷ lệ lạm phát (INF) + Sai số ngẫu nhiên.

Các khái niệm trọng tâm bao gồm:

  • Nợ xấu (NPL): Đo lường bằng tỷ lệ tổng nợ thuộc nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn) có thời gian quá hạn từ 90 ngày trở lên trên tổng dư nợ theo Thông tư 02/2013/TT-NHNN.
  • Chỉ số Vietnam ICT Index: Thước đo mức độ sẵn sàng cho phát triển và ứng dụng công nghệ thông tin, chuẩn hóa theo phương pháp Z-Score dựa trên 4 nhóm trụ cột với 16 chỉ tiêu thành phần gồm hạ tầng kỹ thuật, hạ tầng nhân lực, ứng dụng nội bộ và dịch vụ trực tuyến.
  • Quy mô ngân hàng (SIZE): Tính bằng logarit tự nhiên của tổng tài sản.
  • Tăng trưởng tín dụng (CRD): Tốc độ tăng trưởng dư nợ cho vay qua các năm.

Phương pháp nghiên cứu

Nguồn dữ liệu thứ cấp được thu thập đồng bộ từ Báo cáo tài chính kiểm toán hợp nhất và Báo cáo thường niên của 16 ngân hàng thương mại cổ phần niêm yết trên hai sàn HOSE và HNX, Báo cáo thường niên Vietnam ICT Index do Bộ Thông tin và Truyền thông phối hợp với Hội Tin học Việt Nam công bố, cùng các chỉ số vĩ mo từ Ngân hàng Thế giới và Tổng cục Thống kê. Mẫu nghiên cứu gồm 16 ngân hàng niêm yết tiêu biểu (như Vietcombank, BIDV, VietinBank, Techcombank, VPBank, MB, ACB, TPBank, SHB...) với tổng cộng 128 quan sát theo dạng dữ liệu bảng cân đối trong giai đoạn 2013-2020. Phương pháp chọn mẫu có chủ đích được áp dụng nhằm đảm bảo tính đồng nhất, tính đại diện cao và sự sẵn có của chuỗi dữ liệu định lượng.

Về phương pháp phân tích, tác giả thực hiện phân tích thống kê mô tả, kiểm tra ma trận tương quan Pearson và kiểm định đa cộng tuyến VIF. Tiếp đó, các kỹ thuật hồi quy dữ liệu bảng gồm Mô hình Tác động cố định (FEM) và Mô hình Tác động ngẫu nhiên (REM) được thực hiện song song. Kiểm định Hausman được sử dụng để lựa chọn mô hình tối ưu với mức ý nghĩa 5% (giá trị p-value nhỏ hơn 0,05 chỉ ra mô hình FEM là phù hợp). Để xử lý triệt để các khuyết tật phổ biến trong dữ liệu tài chính vi mô như hiện tượng phương sai sai số thay đổi và tự tương quan chuỗi, nghiên cứu áp dụng phương pháp Ước lượng bình phương tối thiểu tổng quát khả thi (FGLS). Lý do lựa chọn FGLS là phương pháp này khắc phục hiệu quả sự sai lệch chuẩn số học, mang lại các ước lượng không chệch, nhất quán và có hiệu quả cao nhất.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Kết quả ước lượng từ mô hình hồi quy FGLS trên tập dữ liệu 128 quan sát mang lại các phát hiện cốt lõi:

Thứ nhất, mức độ phát triển và ứng dụng công nghệ thông tin (ICT Index) có tác động ngược chiều mạnh mẽ và đạt ý nghĩa thống kê ở mức 1% đối với tỷ lệ nợ xấu. Khi chỉ số ICT Index tăng thêm 1 đơn vị chuẩn hóa, tỷ lệ nợ xấu của các ngân hàng thương mại niêm yết giảm đi rõ rệt. Các ngân hàng tiên phong về hạ tầng kỹ thuật và dịch vụ trực tuyến ghi nhận tỷ lệ nợ xấu nội bảng luôn duy trì ổn định dưới ngưỡng 1,8%.

Thứ hai, tỷ lệ nợ xấu của năm trước (PNPL) tác động cùng chiều rất mạnh tới tỷ lệ nợ xấu năm hiện tại ở mức ý nghĩa 1%. Điều này chứng minh nợ xấu có tính dai dẳng cao; các khoản nợ khó đòi chưa được xử lý dứt điểm trong quá khứ tạo áp lực trích lập dự phòng lũy kế lên các năm tiếp theo.

Thứ ba, quy mô ngân hàng (SIZE) và tốc độ tăng trưởng tín dụng (CRD) đều thể hiện tác động ngược chiều có ý nghĩa thống kê đến tỷ lệ nợ xấu. Các ngân hàng có tổng tài sản quy mô lớn và tốc độ tăng trưởng tín dụng ổn định trong khoảng 14% đến 18%/năm kiểm soát chất lượng nợ tốt hơn nhờ năng lực phân tán rủi ro danh mục vượt trội.

Thứ tư, tỷ lệ lạm phát (INF) tác động cùng chiều đến tỷ lệ nợ xấu, phản ánh biến động vĩ mô làm gia tăng gánh nặng chi phí lãi vay và làm suy giảm khả năng trả nợ của khách hàng.

Thảo luận kết quả

Mối quan hệ nghịch biến giữa ứng dụng CNTT và nợ xấu khẳng định vai trò sống còn của chuyển đổi số trong quản trị rủi ro tín dụng. Đúng như luận điểm thực tế:

"Thông tin luôn được coi là tài sản có giá trị."

Việc các ngân hàng đầu tư mạnh mẽ vào hệ thống dữ liệu lớn và thuật toán chấm điểm tự động đã rút ngắn tối đa khoảng cách bất cân xứng thông tin giữa bên cho vay và bên đi vay. Hệ thống chấm điểm tín dụng tự động giúp loại bỏ triệt để các quyết định mang tính cảm tính của cán bộ tín dụng, từ đó ngăn chặn hiện tượng lựa chọn đối nghịch ngay từ khâu tiếp nhận hồ sơ.

Kết quả này hoàn toàn đồng thuận với các công trình nghiên cứu quốc tế của Berger (2003) tại Mỹ, Bofondi và Gobbi (2003) tại Ý, Jappelli và Pagano (2000) tại châu Âu, cũng như nghiên cứu của Nguyễn Kim Phước và cộng sự (2017) tại Việt Nam.

+-------------------------------------------------------------------------+
|                  MÔ HÌNH HỒI QUY FGLS VÀ TƯƠNG QUAN                    |
+------------------------------------+------------------------------------+
|  Biến độc lập                      |  Tác động tới tỷ lệ Nợ xấu (NPL)   |
+------------------------------------+------------------------------------+
|  Chỉ số ICT Index                  |  Âm (Giảm nợ xấu mạnh, p < 0.01)   |
|  Nợ xấu kỳ trước (PNPL)            |  Dương (Làm tăng nợ xấu, p < 0.01) |
|  Quy mô ngân hàng (SIZE)           |  Âm (Giảm nợ xấu, p < 0.05)        |
|  Tăng trưởng tín dụng (CRD)        |  Âm (Giảm nợ xấu, p < 0.05)        |
|  Tỷ lệ lạm phát (INF)              |  Dương (Làm tăng nợ xấu, p < 0.05) |
+------------------------------------+------------------------------------+

Trong thực tế phân tích dữ liệu, các phát hiện này được trình bày trực quan thông qua biểu đồ phân tán (scatter plot) kết hợp đường xu hướng tuyến tính dốc xuống rõ nét giữa điểm số ICT Index và tỷ lệ nợ xấu của 16 ngân hàng qua 8 năm, đồng thời được đối chiếu qua bảng ma trận hệ số hồi quy FGLS chi tiết.

Đề xuất và khuyến nghị

Dựa trên kết quả định lượng, các nhóm giải pháp chiến lược được đề xuất nhằm tối ưu hóa công tác quản trị rủi ro tín dụng:

Thứ nhất, tăng cường phân bổ nguồn vốn đầu tư cho hạ tầng kỹ thuật và an toàn thông tin. Ban Lãnh đạo các ngân hàng thương mại cổ phần cần duy trì tỷ trọng ngân sách đầu tư cho CNTT từ 15% đến 20% tổng chi phí hoạt động hàng năm. Mục tiêu đặt ra là nâng điểm số Vietnam ICT Index của đơn vị đạt mức trên 0,85 điểm trong giai đoạn 2024-2026, tập trung nâng cấp hệ thống Core Banking thế hệ mới và tự động hóa quy trình phê duyệt khoản vay nhỏ để giảm thiểu 40% thời gian xử lý thủ công.

Thứ hai, tích hợp trí tuệ nhân tạo (AI) và học máy (Machine Learning) vào hệ thống cảnh báo sớm rủi ro tín dụng. Khối Quản trị rủi ro phối hợp cùng Khối Công nghệ thông tin triển khai hệ thống cảnh báo rủi ro tự động (Early Warning System) trong thời gian từ 12 đến 18 tháng. Giải pháp này hướng tới kiểm soát tỷ lệ nợ xấu nội bảng duy trì dưới mức 1,5% và nâng tỷ lệ bao phủ nợ xấu đạt trên 150% nhằm tạo tấm đệm tài chính an toàn.

Thứ ba, hoàn thiện cơ chế chia sẻ dữ liệu tín dụng mở và định danh điện tử. Ngân hàng Nhà nước chủ trì phối hợp với Bộ Thông tin và Truyền thông cùng Bộ Công an đẩy nhanh việc kết nối dữ liệu từ Trung tâm Thông tin Tín dụng Quốc gia (CIC) với Cơ sở dữ liệu quốc gia về dân cư. Lộ trình thực hiện trong vòng 12 đến 24 tháng nhằm giúp 100% tổ chức tín dụng xác thực danh tính khách hàng chính xác, loại bỏ tình trạng che giấu thông tin lịch sử tín dụng xấu.

Thứ tư, nâng cao năng lực phân tích dữ liệu số cho đội ngũ nhân sự tín dụng. Khối Nhân sự các ngân hàng tổ chức đào tạo chuẩn hóa định kỳ hàng năm cho 100% chuyên viên khách hàng và thẩm định viên về kỹ năng khai thác công nghệ số, đồng thời quyết liệt trích lập dự phòng xử lý dứt điểm các khoản nợ xấu tồn đọng từ các năm trước trong thời hạn 6 đến 12 tháng.

Đối tượng nên tham khảo luận văn

Nghiên cứu mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng chính:

Thứ nhất, Hội đồng Quản trị và Ban Tổng Giám đốc các Ngân hàng Thương mại. Công trình là cơ sở khoa học tin cậy giúp lãnh đạo ngân hàng hoạch định chiến lược đầu tư công nghệ dài hạn, xây dựng mô hình định lượng rủi ro tín dụng theo chuẩn mực Basel II và Basel III, từ đó tối ưu hóa chi phí vận hành và bảo vệ vốn chủ sở hữu.

Thứ hai, Cơ quan Thanh tra, Giám sát Ngân hàng và các nhà hoạch định chính sách tiền tệ tại Ngân hàng Nhà nước. Kết quả nghiên cứu cung cấp bằng chứng thực nghiệm vững chắc để xây dựng các khung khổ pháp lý thúc đẩy ngân hàng số, hoàn thiện các quy định về an toàn vốn và chỉ tiêu kiểm soát tỷ lệ nợ xấu toàn ngành.

Thứ ba, Giảng viên, Nghiên cứu sinh và Học viên cao học chuyên ngành Tài chính - Ngân hàng, Kinh tế lượng ứng dụng. Luận văn là tài liệu tham khảo chuẩn mực về phương pháp xây dựng mô hình dữ liệu bảng, kỹ thuật xử lý khuyết tật mô hình bằng ước lượng FGLS và vận dụng lý thuyết thông tin bất cân xứng vào thực tiễn thị trường tài chính Việt Nam.

Thứ tư, Chuyên viên Phân tích ngành Ngân hàng và Quản lý danh mục đầu tư tại các Công ty Chứng khoán, Quỹ đầu tư. Nghiên cứu cung cấp góc nhìn đa chiều về chất lượng tài sản và năng lực số hóa của 16 ngân hàng niêm yết, hỗ trợ đắc lực cho công tác định giá cổ phiếu và khuyến nghị đầu tư chuẩn xác.

Câu hỏi thường gặp

Ứng dụng công nghệ thông tin giúp ngân hàng thương mại kiềm chế nợ xấu thông qua cơ chế nào? Hạ tầng CNTT hiện đại cho phép các ngân hàng tự động hóa quá trình thu thập và xử lý dữ liệu lớn, xây dựng hệ thống chấm điểm tín dụng chuẩn xác. Điều này giúp loại bỏ rủi ro thông tin bất cân xứng theo lý thuyết của Frederic Mishkin, ngăn ngừa hiện tượng lựa chọn đối nghịch ngay từ khâu thẩm định và phát hiện sớm các khoản nợ có dấu hiệu quá hạn 90 ngày.

Chỉ số Vietnam ICT Index trong ngành ngân hàng được cấu thành từ những nhóm tiêu chí nào? Chỉ số ICT Index ngành ngân hàng được tính toán dựa trên 4 nhóm trụ cột chính gồm 16 chỉ tiêu thành phần: Hạ tầng kỹ thuật (máy chủ, mạng lưới ATM/POS, bảo mật); Hạ tầng nhân lực (trình độ chuyên môn CNTT); Ứng dụng nội bộ (hệ thống Core Banking, phần mềm quản trị); và Dịch vụ trực tuyến (Internet Banking, Mobile Banking).

Tại sao phương pháp ước lượng FGLS lại vượt trội hơn mô hình FEM và REM trong nghiên cứu này? Sau khi kiểm định Hausman chỉ ra mô hình Tác động cố định (FEM) phù hợp hơn REM ở mức ý nghĩa 5%, các kiểm định chẩn đoán sau hồi quy phát hiện sự xuất hiện của phương sai sai số thay đổi và hiện tượng tự tương quan. Phương pháp FGLS được lựa chọn vì có khả năng khắc phục triệt để hai khuyết tật này, tạo ra các tham số ước lượng vững và đáng tin cậy.

Vì sao tốc độ tăng trưởng tín dụng lại có tác động ngược chiều đến tỷ lệ nợ xấu của ngân hàng? Khi tín dụng tăng trưởng lành mạnh ở mức 14% đến 18%/năm, quy mô tổng dư nợ cho vay (mẫu số) mở rộng nhanh chóng trong khi các khoản nợ mới chưa phát sinh rủi ro chuyển nhóm nợ xấu. Đồng thời, tăng trưởng tín dụng cao phản ánh giai đoạn kinh tế phục hồi thuận lợi, giúp các doanh nghiệp kinh doanh hiệu quả và trả nợ đúng hạn.

Các ngân hàng quy mô vừa và nhỏ nên ưu tiên giải pháp công nghệ nào để kiểm soát nợ xấu? Các ngân hàng quy mô vừa và nhỏ nên tập trung nguồn lực số hóa hệ thống chấm điểm tín dụng tự động và tích hợp cơ sở dữ liệu định danh từ CIC. Việc chuyển đổi từ phê duyệt thủ công sang thẩm định số giúp tiết kiệm khoảng 30% đến 40% chi phí vận hành, đồng thời hạn chế tối đa rủi ro đạo đức phát sinh từ phía cán bộ tín dụng.

Kết luận

  • Ứng dụng công nghệ thông tin và chuyển đổi số đóng vai trò nền tảng giúp các ngân hàng thương mại cổ phần niêm yết kiểm soát hiệu quả chất lượng tín dụng và kéo giảm tỷ lệ nợ xấu bền vững.
  • Nghiên cứu định lượng thành công tác động của chỉ số ICT Index đến nợ xấu trên mẫu 16 ngân hàng thương mại niêm yết giai đoạn 2013-2020 bằng mô hình kinh tế lượng FGLS, đóng góp một khung phân tích thực nghiệm chuẩn mực cho hệ thống ngân hàng Việt Nam.
  • Kết quả khẳng định nợ xấu chịu ảnh hưởng đồng thời bởi các yếu tố công nghệ, quy mô tài sản, mức tăng trưởng tín dụng, tính dai dẳng của nợ xấu kỳ trước và diễn biến lạm phát vĩ mô.
  • Hạn chế của nghiên cứu nằm ở phạm vi dữ liệu dừng lại ở năm 2020 do tính sẵn có của nguồn chỉ số ICT Index; mở ra định hướng cho các nghiên cứu tương lai tiếp tục mở rộng chuỗi thời gian hậu đại dịch và bổ sung các chỉ số đo lường ngân hàng số chuyên sâu.
  • Các tổ chức tín dụng và cơ quan quản lý cần quyết liệt triển khai lộ trình số hóa toàn diện giai đoạn 2024-2030, đưa công nghệ thành trụ cột cốt lõi trong phòng ngừa rủi ro tài chính.