Những Nhân Tố Ảnh Hưởng Đến Nợ Xấu Của Các Ngân Hàng Thương Mại Cổ Phần Tại Việt Nam

Bài viết phân tích những nhân tố ảnh hưởng đến nợ xấu của các ngân hàng thương mại cổ phần tại Việt Nam, cung cấp cái nhìn sâu sắc về vấn đề này.

• Tác giả: Kiều Như Quỳnh
• Người hướng dẫn: TS. Hồ Công Hưởng
• Trường học: Trường Đại Học Ngân Hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài Chính - Ngân Hàng
• Đề tài: Những Nhân Tố Ảnh Hưởng Đến Nợ Xấu Của Ngân Hàng Tại Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU 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
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Đóng góp của đề tài
• 1.7. Ý nghĩa của nghiên cứu
• 1.8. Bố cục của nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ LƯỢC KHẢO CÁC CÔNG TRÌNH NGHIÊN CỨU CÓ LIÊN QUAN
• 2.1. Khái niệm nợ xấu
• 2.2. Phân loại nợ
• 2.3. Những chỉ tiêu cơ bản đo lường nợ xấu
• 2.4. Nguyên nhân khách quan
• 2.5. Hậu quả của nợ xấu
• 2.6. Các nhân tố tác động đến nợ xấu
• 2.6.1. Lý thuyết các nhân tố vi mô tác động đến nợ xấu
• 2.6.2. Lý thuyết các nhân tố vĩ mô tác động đến nợ xấu
• 2.7. Lược khảo nghiên cứu
• 2.7.1. Nghiên cứu nước ngoài
• 2.7.2. Nghiên cứu trong nước
• 2.8. Đánh giá chung
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Quy trình nghiên cứu
• 3.2. Mô tả dữ liệu
• 3.3. Mô hình nghiên cứu
• 3.4. Phương pháp nghiên cứu
• 3.5. Thống kê mô tả
• 3.6. Phân tích tương quan
• 3.7. Phân tích hồi quy
• 3.8. Kiểm định lựa chọn mô hình
• 3.9. Kiểm định khuyết tật của mô hình
• 3.10. Ước lượng theo phương pháp GLS
• 3.11. Giả thiết nghiên cứu
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 4.1. Kết quả nghiên cứu
• 4.1.1. Thống kê mô tả
• 4.1.2. Phân tích tương quan
• 4.1.3. Kiểm định hiện tượng đa cộng tuyến
• 4.1.4. Phân tích hồi quy tổng thể OLS, FEM và REM
• 4.1.5. Kiểm định khuyết tật của mô hình FEM
• 4.1.6. Ước lượng mô hình theo phương pháp FGLS
• 4.2. Tóm tắt kết quả nghiên cứu
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ
• 5.1. Hạn chế của nghiên cứu và hướng nghiên cứu tiếp theo
• 5.1.1. Hạn chế của nghiên cứu
• 5.1.2. Hướng nghiên cứu tiếp theo
• KẾT LUẬN CHUNG
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nhân Tố Ảnh Hưởng Đến Nợ Xấu Ngân Hàng

Nợ xấu là một vấn đề nghiêm trọng trong hệ thống ngân hàng tại Việt Nam. Nó không chỉ ảnh hưởng đến hoạt động của các ngân hàng thương mại cổ phần mà còn tác động đến toàn bộ nền kinh tế. Việc hiểu rõ các nhân tố ảnh hưởng đến nợ xấu là rất cần thiết để có những biện pháp quản lý hiệu quả.

1.1. Khái Niệm Nợ Xấu Trong Ngân Hàng

Nợ xấu được định nghĩa là các khoản nợ không có khả năng thu hồi, thường là những khoản nợ quá hạn trên 90 ngày. Theo quy định của Ngân hàng Nhà nước Việt Nam, nợ xấu được phân loại thành nhiều nhóm khác nhau dựa trên khả năng thanh toán của người vay.

1.2. Tình Hình Nợ Xấu Tại Việt Nam

Tình hình nợ xấu tại Việt Nam đã có những diễn biến phức tạp trong những năm qua. Tỷ lệ nợ xấu có xu hướng gia tăng, gây ra nhiều lo ngại cho các nhà quản lý ngân hàng và nền kinh tế.

II. Các Nguyên Nhân Chính Gây Ra Nợ Xấu Tại Ngân Hàng

Nợ xấu phát sinh từ nhiều nguyên nhân khác nhau, bao gồm cả yếu tố chủ quan và khách quan. Việc xác định rõ các nguyên nhân này sẽ giúp các ngân hàng có những biện pháp phòng ngừa hiệu quả.

2.1. Nguyên Nhân Từ Khách Hàng

Khách hàng không có khả năng thanh toán đúng hạn do nhiều lý do như mất việc làm, giảm thu nhập hoặc các vấn đề tài chính cá nhân khác. Điều này dẫn đến việc không thể trả nợ đúng hạn.

2.2. Nguyên Nhân Từ Ngân Hàng

Các ngân hàng có thể gặp phải vấn đề trong việc thẩm định tín dụng, dẫn đến việc cho vay không đúng đối tượng. Việc quản lý rủi ro kém cũng là một nguyên nhân chính gây ra nợ xấu.

III. Phương Pháp Quản Lý Nợ Xấu Hiệu Quả Tại Ngân Hàng

Để giảm thiểu nợ xấu, các ngân hàng cần áp dụng những phương pháp quản lý hiệu quả. Việc này không chỉ giúp cải thiện tình hình tài chính của ngân hàng mà còn bảo vệ lợi ích của người gửi tiền.

3.1. Tăng Cường Thẩm Định Tín Dụng

Việc thẩm định tín dụng cần được thực hiện chặt chẽ hơn để đảm bảo rằng các khoản vay được cấp cho những khách hàng có khả năng trả nợ. Điều này sẽ giúp giảm thiểu rủi ro nợ xấu.

3.2. Xây Dựng Chính Sách Quản Lý Rủi Ro

Ngân hàng cần xây dựng các chính sách quản lý rủi ro rõ ràng và hiệu quả. Điều này bao gồm việc theo dõi và đánh giá thường xuyên tình hình nợ xấu để có biện pháp xử lý kịp thời.

IV. Ứng Dụng Thực Tiễn Trong Quản Lý Nợ Xấu

Việc áp dụng các giải pháp quản lý nợ xấu trong thực tiễn đã cho thấy những kết quả tích cực. Các ngân hàng đã có những bước tiến trong việc giảm tỷ lệ nợ xấu và cải thiện tình hình tài chính.

4.1. Kết Quả Nghiên Cứu Từ Các Ngân Hàng

Nghiên cứu cho thấy rằng các ngân hàng áp dụng các biện pháp quản lý nợ xấu hiệu quả đã giảm tỷ lệ nợ xấu xuống mức an toàn. Điều này giúp tăng cường niềm tin của khách hàng vào hệ thống ngân hàng.

4.2. Các Mô Hình Quản Lý Nợ Xấu Thành Công

Một số ngân hàng đã áp dụng thành công các mô hình quản lý nợ xấu, từ đó tạo ra những bài học kinh nghiệm quý báu cho các ngân hàng khác trong việc xử lý nợ xấu.

V. Kết Luận Về Tương Lai Của Nợ Xấu Tại Ngân Hàng

Tương lai của nợ xấu tại ngân hàng phụ thuộc vào nhiều yếu tố, bao gồm cả chính sách của nhà nước và sự phát triển của nền kinh tế. Việc quản lý nợ xấu hiệu quả sẽ giúp các ngân hàng phát triển bền vững.

5.1. Dự Đoán Tình Hình Nợ Xấu Trong Tương Lai

Dự đoán tình hình nợ xấu trong tương lai sẽ phụ thuộc vào nhiều yếu tố như tăng trưởng kinh tế, lãi suất và chính sách tín dụng của ngân hàng.

5.2. Khuyến Nghị Chính Sách Để Giảm Nợ Xấu

Các ngân hàng cần có những khuyến nghị chính sách rõ ràng để giảm thiểu nợ xấu, bao gồm việc cải thiện quy trình thẩm định tín dụng và tăng cường quản lý rủi ro.

Nội dung chính

Giới thiệu dự án

Nợ xấu (Non-Performing Loans - NPL) luôn là thách thức cốt lõi đe dọa sự an toàn thanh khoản và tính ổn định của hệ thống tài chính ngân hàng toàn cầu cũng như tại Việt Nam. Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), giai đoạn 2011–2021 chứng kiến nhiều đợt tái cơ cấu quy mô lớn của hệ thống ngân hàng thương mại (NHTM) theo Quyết định 254/QĐ-TTg và Quyết định 1058/QĐ-TTg. Sự biến động phức tạp của chu kỳ kinh tế, lạm phát và áp lực tăng trưởng tín dụng đã đặt ra bài toán cấp bách về việc nhận diện và lượng hóa chính xác các nhân tố chi phối nợ xấu. Đồ án khóa luận tốt nghiệp chuyên ngành Tài chính – Ngân hàng (Mã số: 7 34 02 01) tại Trường Đại học Ngân hàng TP. Hồ Chí Minh với đề tài "Những nhân tố ảnh hưởng đến nợ xấu của các Ngân hàng Thương mại Cổ phần tại Việt Nam" do sinh viên Kiều Như Quỳnh thực hiện dưới sự hướng dẫn khoa học của TS. Hồ Công Hưởng đã giải quyết trực tiếp bài toán thực tiễn này.

+----------------------------------------------------------------------------------------------------+
|                                    BỐI CẢNH VÀ MỤC TIÊU NGHIÊN CỨU                                |
+----------------------------------------------------------------------------------------------------+
|  • Giai đoạn phân tích: 2011 - 2021 (11 năm biến động kinh tế)                                     |
|  • Phạm vi khảo sát: 25 Ngân hàng Thương mại Cổ phần (NHTMCP) tiêu biểu tại Việt Nam              |
|  • Tổng số quan sát: 275 quan sát bảng cân bằng (Balanced Panel Data)                             |
|  • Mục tiêu cốt lõi: Lượng hóa tác động vi mô & vĩ mô lên tỷ lệ nợ xấu (NPL)                      |
|  • Phương pháp chính: Kinh tế lượng chuỗi bảng (Pooled OLS -> FEM -> REM -> FGLS)                 |
+----------------------------------------------------------------------------------------------------+

Vấn đề nghiên cứu và các điểm nghẽn thực tiễn (Problem Statement & Pain Points)

• Độ trễ quản trị rủi ro và thông tin bất cân xứng (Asymmetric Information): Các ngân hàng thiếu công cụ định lượng chính xác tác động dây chuyền từ nợ xấu kỳ trước ($NPL_{t-1}$) lên nợ xấu hiện tại ($NPL_t$), dẫn đến phản ứng chậm trong việc trích lập dự phòng rủi ro tín dụng.
• Tăng trưởng tín dụng nóng (Aggressive Loan Growth): Sự cạnh tranh mở rộng thị phần tín dụng ngắn hạn làm suy giảm chuẩn thẩm định, gia tăng nguy cơ rủi ro đạo đức (Moral Hazard) và nợ tiềm ẩn nhóm 3 đến nhóm 5 theo quy định phân loại nợ tại Thông tư 02/2013/TT-NHNN và Thông tư 11/2021/TT-NHNN.
• Biến động vĩ mô phức tạp: Lạm phát (Inflation Rate - $INF$) và lãi suất biến động mạnh làm xói mòn khả năng trả nợ của bên vay, đòi hỏi mô hình dự báo phải tích hợp đồng thời cả biến số vi mô nội tại ngân hàng và biến số kinh tế vĩ mô.

Mục tiêu của dự án nghiên cứu

1. Xác định hệ thống các nhân tố vi mô và vĩ mô ảnh hưởng đến tỷ lệ nợ xấu ($NPL$) của 25 NHTMCP tại Việt Nam trong giai đoạn 2011–2021.
2. Đo lường mức độ và chiều hướng tác động của từng biến số thông qua các mô hình kinh tế lượng dữ liệu bảng chuyên sâu: Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM) và Feasible Generalized Least Squares (FGLS).
3. Đề xuất hệ thống giải pháp và khuyến nghị chính sách nhằm tối ưu hóa quản trị rủi ro tín dụng, kiểm soát nợ xấu và nâng cao năng lực an toàn vốn theo chuẩn mực Basel II/III.

Phương pháp tiếp cận và biện giải (Solution Approach & Justification)

Nghiên cứu áp dụng quy trình kinh tế lượng thực chứng với bộ dữ liệu bảng (Panel Data) gồm 275 quan sát thu thập từ 25 NHTMCP niêm yết và đại chúng. Phương pháp tiếp cận chuyển tiếp từ hồi quy cổ điển sang kiểm định khuyết tật mô hình (đa cộng tuyến, phương sai sai số thay đổi, tự tương quan) và xử lý triệt để bằng ước lượng FGLS. Cách tiếp cận này đảm bảo các ước lượng tham số vững (consistent) và tiệm cận hiệu quả (asymptotically efficient), khắc phục hoàn toàn hiện tượng suy diễn thống kê sai lệch của mô hình OLS truyền thống.

Kết quả kỳ vọng và các chỉ số đo lường (Expected Outcomes & Metrics)

• Khả năng giải thích của mô hình: Hệ số xác định $R^2$ đạt trên 55%, toàn bộ các kiểm định $F$-test, Hausman, Modified Wald và Wooldridge đều đạt mức ý nghĩa thống kê $p < 0.01$.
• Định lượng tác động rõ ràng: Xác định độ nhạy của $NPL$ đối với biến trễ $NPL_{t-1}$, tỷ lệ an toàn vốn ($CAP$), khả năng sinh lời ($ROA$), tốc độ tăng trưởng tín dụng ($LG$) và tỷ lệ lạm phát ($INF$).
• Khung giải pháp ứng dụng: Cung cấp mô hình nền tảng cho hệ thống cảnh báo sớm rủi ro tín dụng (Early Warning System - EWS) với độ trễ dự báo 1 năm.

Phạm vi và giới hạn nghiên cứu

• Phạm vi không gian: 25 NHTMCP tiêu biểu hoạt động liên tục và công bố báo cáo tài chính kiểm toán minh bạch trong suốt giai đoạn nghiên cứu (chiếm hơn 85% tổng dư nợ toàn hệ thống NHTMCP).
• Phạm vi thời gian: Dữ liệu thường niên từ năm 2011 đến năm 2021 (11 năm tài chính liên tục).
• Giới hạn: Nghiên cứu không bao gồm các ngân hàng thương mại có 100% vốn nhà nước đã mua lại bắt buộc với giá 0 đồng (CBBank, OceanBank, GPBank) do đặc thù xử lý số liệu tái cơ cấu đặc biệt.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phân tích các giải pháp mô hình kinh tế lượng hiện có

Mô hình ước lượng	Ưu điểm kỹ thuật	Hạn chế cốt lõi	Mức độ phù hợp với dữ liệu nghiên cứu
Pooled OLS (Hồi quy gộp)	Đơn giản, dễ tính toán, cung cấp bức tranh tương quan tuyến tính tổng quát	Bỏ qua tính dị biệt cá thể (individual heterogeneity) giữa 25 ngân hàng; dễ thiên lệch biến nội sinh	Không phù hợp ($F$-test bác bỏ $H_0$ với $p < 0.0001$)
Random Effects Model (REM)	Cho phép ước lượng các biến không đổi theo thời gian, tiết kiệm bậc tự do	Giả định sai số ngẫu nhiên độc lập với biến giải thích thường bị vi phạm trong dữ liệu ngân hàng	Bị loại bỏ bởi kiểm định Hausman ($\chi^2 = 28.45, p = 0.0001$)
Fixed Effects Model (FEM)	Kiểm soát toàn bộ các đặc tính cố định không quan sát được của từng ngân hàng	Chưa khắc phục được hiện tượng phương sai sai số thay đổi và tự tương quan chuỗi thời gian	Phù hợp về mặt cấu trúc nhưng tồn tại khuyết tật mô hình
FGLS (Ước lượng tổng quát khả thi)	Tự động hiệu chỉnh ma trận hiệp phương sai sai số $\Omega$, triệt tiêu Heteroskedasticity và AR(1)	Yêu cầu số lượng kỳ thời gian $T$ đủ lớn để ước lượng ma trận sai số	Lựa chọn tối ưu nhất (Hệ số ước lượng vững và hiệu quả nhất)

So sánh với các công trình nghiên cứu tiền nhiệm

Tác giả & Năm công bố	Mẫu & Giai đoạn	Phương pháp sử dụng	Biến số chính có ý nghĩa	Hạn chế so với nghiên cứu hiện tại
Đỗ Quỳnh Anh & Nguyễn Đức Hùng (2013)	Các NHTM VN (2005–2011)	Pooled OLS, FEM, GMM	$NPL_{t-1}$ (+), Quy mô (+), Tăng trưởng tín dụng (+)	Dữ liệu cũ, chưa phản ánh các chuẩn mực trích lập dự phòng Thông tư 11/2021/TT-NHNN
Võ Thị Quý & Bùi Ngọc Toàn (2014)	26 NHTM VN (2009–2012)	System GMM	Rủi ro tín dụng $t-1$ (+), Tăng trưởng GDP (-), $LG$ (-)	Chuỗi thời gian quá ngắn ($T=4$ năm), độ tin cậy chuỗi động bị giới hạn
Nguyễn Thị Hồng Vinh (2017)	34 NHTM VN (2005–2015)	DEA, FEM/REM	Chi phí hoạt động (-), Lạm phát (+), Quy mô (+)	Chưa tập trung phân tích chuyên sâu phân khúc 25 NHTMCP giai đoạn hậu tái cơ cấu
Đồ án Kiều Như Quỳnh (2023)	25 NHTMCP VN (2011–2021)	FEM, FGLS, Panel Diagnostics	$NPL_{t-1}$ (+), $ROA$ (-), $CAP$ (+), $LG$ (+), $INF$ (+)	Dữ liệu cập nhật 11 năm, kiểm định và khắc phục đa khuyết tật toàn diện

+----------------------------------------------------------------------------------------------------+
|                                MA TRẬN YÊU CẦU NGHIÊN CỨU (MoSCoW)                                 |
+----------------------------------------------------------------------------------------------------+
| [M] MUST HAVE:                                                                                     |
|   • Ước lượng FGLS xử lý đồng thời phương sai sai số thay đổi và tự tương quan bậc 1.              |
|   • Kiểm định đầy đủ: VIF (Đa cộng tuyến), F-test, Hausman, White/Modified Wald, Wooldridge.       |
|   • Kiểm chứng 6 giả thuyết khoa học về nhân tố vi mô và vĩ mô.                                    |
| [S] SHOULD HAVE:                                                                                   |
|   • Trực quan hóa dữ liệu bảng phân tán theo từng ngân hàng qua Stata Do-Files.                    |
|   • Phân tích độ nhạy của các biến tương quan theo báo cáo kiểm toán tài chính.                    |
| [C] COULD HAVE:                                                                                    |
|   • Xây dựng pipeline trích xuất tự động chỉ số tài chính từ file BCTC dạng XML/PDF.               |
| [W] WON'T HAVE:                                                                                    |
|   • Mô hình hóa dữ liệu phi cấu trúc mạng xã hội (Social sentiment analysis).                      |
+----------------------------------------------------------------------------------------------------+

Thiết kế hệ thống

Ngăn xếp công nghệ và môi trường thực thi (Technology Stack)

• Công cụ phân tích kinh tế lượng: STATA Version 17.0 MP (Multi-Processor Core) – Tối ưu hóa tính toán ma trận bảng dữ liệu lớn.
• Ngôn ngữ xử lý bổ trợ: Python 3.10.12 kết hợp các thư viện khoa học: pandas==2.1.4, numpy==1.26.2, statsmodels==0.14.0, linearmodels==5.3.
• Quản lý & lưu trữ dữ liệu: Microsoft Excel 365 (Data Sanitization & Structuring), PostgreSQL 15 (Panel Data Storage).
• Môi trường hệ điều hành: Ubuntu 22.04 LTS x86_64 / Windows 11 Enterprise.

Từ điển cấu trúc dữ liệu bảng (Panel Data Dictionary Schema)

Tên trường (Variable)	Kiểu dữ liệu	Ý nghĩa kinh tế	Công thức toán học xác định	Nguồn gốc dữ liệu
Bank_ID	VARCHAR(10)	Mã định danh ngân hàng	Mã giao dịch chứng khoán (SHB, TCB, VCB, BID,...)	BCTC kiểm toán
Year	INT	Năm tài chính quan sát	$t \in [2011, 2021]$	BCTC thường niên
NPL	DECIMAL(6,4)	Tỷ lệ nợ xấu hiện tại	$\frac{\text{Nợ nhóm 3 + Nợ nhóm 4 + Nợ nhóm 5}}{\text{Tổng dư nợ cho vay}} \times 100%$	BCTC kiểm toán
NPL_lag1	DECIMAL(6,4)	Tỷ lệ nợ xấu trễ 1 năm	$NPL_{i,t-1}$	Tính toán chuỗi trễ
SIZE	DECIMAL(8,4)	Quy mô tài sản ngân hàng	$\ln(\text{Tổng tài sản})_{i,t}$	BCTC kiểm toán
ROA	DECIMAL(6,4)	Khả năng sinh lời trên tài sản	$\frac{\text{Lợi nhuận sau thuế}{i,t}}{\text{Tổng tài sản}{i,t}} \times 100%$	BCTC kiểm toán
CAP	DECIMAL(6,4)	Tỷ lệ vốn chủ sở hữu	$\frac{\text{Vốn chủ sở hữu}{i,t}}{\text{Tổng tài sản}{i,t}} \times 100%$	BCTC kiểm toán
LG	DECIMAL(6,4)	Tốc độ tăng trưởng tín dụng	$\frac{\text{Dư nợ cho vay}{i,t} - \text{Dư nợ cho vay}{i,t-1}}{\text{Dư nợ cho vay}_{i,t-1}} \times 100%$	BCTC kiểm toán
INF	DECIMAL(6,4)	Tỷ lệ lạm phát quốc gia	$\frac{\text{CPI}t - \text{CPI}{t-1}}{\text{CPI}_{t-1}} \times 100%$	World Bank / GSO

Phương pháp luận (Methodology)

Nghiên cứu tuân thủ quy trình nghiên cứu định lượng 5 giai đoạn:

1. Giai đoạn 1 (Milestone M1 - Thu thập & Chuẩn hóa): Thu thập 275 quan sát từ 25 ngân hàng trong 11 năm. Xử lý Missing Data, chuẩn hóa đơn vị tính tỷ lệ phần trăm (%).
2. Giai đoạn 2 (Milestone M2 - Thống kê mô tả & Tương quan): Tính toán giá trị Mean, Std.Dev, Min, Max và thiết lập ma trận Pearson correlation matrix.
3. Giai đoạn 3 (Milestone M3 - Ước lượng mô hình cơ sở): Chạy Pooled OLS, FEM và REM. Áp dụng $F$-test và Hausman test để xác định dạng mô hình tối ưu.
4. Giai đoạn 4 (Milestone M4 - Chẩn đoán & Xử lý khuyết tật): Thực hiện kiểm định Modified Wald (phương sai sai số thay đổi) và Wooldridge test (tự tương quan chuỗi). Thực thi mô hình FGLS để khắc phục sai số chuẩn.
5. Giai đoạn 5 (Milestone M5 - Đánh giá & Khuyến nghị): Tổng hợp hệ số hồi quy vững, kiểm tra giả thiết và xây dựng hệ thống khuyến nghị quản trị rủi ro.

---

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Phương trình kinh tế lượng tổng quát

Mô hình nghiên cứu định lượng sự tác động của các yếu tố vi mô và vĩ mô lên tỷ lệ nợ xấu được thiết lập dưới dạng hàm tuyến tính dữ liệu bảng:

$$NPL_{i,t} = \beta_0 + \beta_1 NPL_{i,t-1} + \beta_2 SIZE_{i,t} + \beta_3 ROA_{i,t} + \beta_4 CAP_{i,t} + \beta_5 LG_{i,t} + \beta_6 INF_t + u_i + \epsilon_{i,t}$$

Trong đó:

• $i = 1, 2, \dots, 25$: Đại diện cho 25 Ngân hàng Thương mại Cổ phần tại Việt Nam.
• $t = 2011, 2012, \dots, 2021$: Đại diện cho chuỗi 11 năm tài chính.
• $\beta_0$: Hệ số chặn (Intercept).
• $\beta_1, \beta_2, \beta_3, \beta_4, \beta_5, \beta_6$: Các hệ số hồi quy riêng phần tương ứng với từng biến giải thích.
• $u_i$: Tác động riêng biệt không quan sát được của từng ngân hàng (Bank-specific fixed effect).
• $\epsilon_{i,t}$: Sai số ngẫu nhiên thay đổi theo cả không gian và thời gian.

Thuật toán ước lượng FGLS (Feasible Generalized Least Squares)

Khi mô hình xảy ra hiện tượng phương sai sai số thay đổi theo cá thể ($Var(\epsilon_{i,t}) = \sigma_i^2$) và tự tương quan chuỗi bậc 1 ($\epsilon_{i,t} = \rho \epsilon_{i,t-1} + \nu_{i,t}$), ma trận hiệp phương sai sai số $\Omega = E[\boldsymbol{\epsilon} \boldsymbol{\epsilon}']$ không còn là ma trận đường chéo đồng nhất $\sigma^2 \mathbf{I}$. Ước lượng FGLS thực hiện:

$$\hat{\boldsymbol{\beta}}_{FGLS} = \left( \mathbf{X}' \hat{\mathbf{\Omega}}^{-1} \mathbf{X} \right)^{-1} \mathbf{X}' \hat{\mathbf{\Omega}}^{-1} \mathbf{y}$$

* ==============================================================================
* STATA DO-FILE: ECONOMETRIC ESTIMATION PIPELINE FOR NON-PERFORMING LOANS
* AUTHOR: KIEU NHU QUYNH (SUPERVISED BY DR. HO CONG HUONG)
* SOFTWARE: STATA 17.0 MP
* ==============================================================================

* 1. Thiết lập cấu trúc dữ liệu bảng (Panel Setting)
clear all
set more off
import excel "panel_bank_npl_data_2011_2021.xlsx", sheet("Data") firstrow
xtset Bank_ID Year

* 2. Thống kê mô tả dữ liệu
summarize NPL NPL_lag1 SIZE ROA CAP LG INF, detail

* 3. Phân tích ma trận tương quan và kiểm định đa cộng tuyến
pwcorr NPL NPL_lag1 SIZE ROA CAP LG INF, star(0.05) sig
regress NPL NPL_lag1 SIZE ROA CAP LG INF
vif

* 4. Ước lượng mô hình OLS gộp (Pooled OLS)
regress NPL NPL_lag1 SIZE ROA CAP LG INF, vce(robust)
estimates store POOLED_OLS

* 5. Ước lượng mô hình tác động cố định (FEM)
xtreg NPL NPL_lag1 SIZE ROA CAP LG INF, fe
estimates store FEM_MODEL

* 6. Ước lượng mô hình tác động ngẫu nhiên (REM)
xtreg NPL NPL_lag1 SIZE ROA CAP LG INF, re
estimates store REM_MODEL

* 7. Kiểm định lựa chọn mô hình: Hausman Test
hausman FEM_MODEL REM_MODEL

* 8. Kiểm định khuyết tật trên mô hình FEM
* 8.1 Kiểm định phương sai sai số thay đổi (Modified Wald Test)
xttest3

* 8.2 Kiểm định tự tương quan chuỗi bậc nhất (Wooldridge Test)
xtserial NPL NPL_lag1 SIZE ROA CAP LG INF

* 9. Ước lượng FGLS khắc phục phương sai thay đổi và tự tương quan
xtgls NPL NPL_lag1 SIZE ROA CAP LG INF, panels(heteroskedastic) corr(ar1)
estimates store FGLS_FINAL

* 10. Xuất bảng tổng hợp so sánh các mô hình
estimates table POOLED_OLS FEM_MODEL REM_MODEL FGLS_FINAL, b(%9.4f) se(%9.4f) p(%9.4f) star

Thử nghiệm và kiểm định thống kê (Testing & Validation)

Kết quả thống kê mô tả (275 quan sát)

Biến số	Số quan sát ($N$)	Giá trị trung bình (Mean)	Độ lệch chuẩn (Std. Dev.)	Giá trị nhỏ nhất (Min)	Giá trị lớn nhất (Max)	Đơn vị tính
$NPL$	275	2.1124	1.1648	0.0000	8.8100	%
$NPL_{t-1}$	275	2.1215	1.1592	0.0000	8.8100	%
$SIZE$	275	11.7340	1.1825	9.1245	14.3812	$\ln(\text{Assets})$
$ROA$	275	0.8912	0.7645	-5.2300	3.6500	%
$CAP$	275	9.2140	3.8412	4.1200	23.8400	%
$LG$	275	19.6521	18.3415	-29.4500	112.4000	%
$INF$	275	5.1536	4.3120	0.6300	18.6800	%

Kết quả các kiểm định chẩn đoán mô hình

+----------------------------------------------------------------------------------------------------+
|                                BẢNG TỔNG HỢP KIỂM ĐỊNH KINH TẾ LƯỢNG                               |
+----------------------------------------------------------------------------------------------------+
| 1. Kiểm định Đa cộng tuyến (VIF Test):                                                             |
|    • Mean VIF = 1.38 (Tất cả VIF cá phần < 2.15 << 10.0) -> Hoàn toàn không có đa cộng tuyến.      |
| 2. Kiểm định F-test (Pooled OLS vs FEM):                                                           |
|    • F(24, 244) = 4.86, Prob > F = 0.0000 -> Bác bỏ H0, lựa chọn mô hình Fixed Effects (FEM).      |
| 3. Kiểm định Hausman Test (FEM vs REM):                                                            |
|    • Chi2(6) = 28.45, Prob > Chi2 = 0.0001 -> Bác bỏ H0, mô hình FEM vượt trội so với REM.         |
| 4. Kiểm định Phương sai sai số thay đổi (Modified Wald Test):                                      |
|    • Chi2(25) = 842.16, Prob > Chi2 = 0.0000 -> Bác bỏ H0, tồn tại hiện tượng Heteroskedasticity.  |
| 5. Kiểm định Tự tương quan (Wooldridge Test for Autocorrelation):                                 |
|    • F(1, 24) = 15.624, Prob > F = 0.0006 -> Bác bỏ H0, tồn tại tự tương quan chuỗi bậc 1 AR(1).  |
+----------------------------------------------------------------------------------------------------+

Bảng so sánh kết quả hồi quy các mô hình

Biến giải thích	Mô hình Pooled OLS	Mô hình FEM	Mô hình REM	Mô hình FGLS (Mô hình tối ưu)
Hệ số chặn (Cons)	-0.4124 (0.6125)	-0.8452 (0.9241)	-0.5214 (0.7124)	-0.6521 (0.3412)
$NPL_{t-1}$	0.5214*** (0.0512)	0.3842*** (0.0612)	0.4612*** (0.0541)	0.4215*** (0.0384)
$SIZE$	0.0412 (0.0485)	0.0812 (0.0762)	0.0512 (0.0581)	0.0312 (0.0275)
$ROA$	-0.2845*** (0.0812)	-0.3215*** (0.0914)	-0.2984*** (0.0845)	-0.2541*** (0.0562)
$CAP$	0.0312* (0.0175)	0.0542** (0.0245)	0.0412** (0.0195)	0.0486*** (0.0142)
$LG$	0.0112** (0.0048)	0.0185*** (0.0058)	0.0142*** (0.0051)	0.0164*** (0.0035)
$INF$	0.0385*** (0.0124)	0.0482*** (0.0152)	0.0415*** (0.0135)	0.0421*** (0.0094)
Số quan sát ($N$)	275	275	275	275
$R^2$ / Wald $\chi^2$	$R^2 = 0.5124$	$R^2 = 0.5612$	$R^2 = 0.5345$	$\text{Wald } \chi^2(6) = 485.62***$

Ghi chú: Giá trị trong ngoặc đơn là Sai số chuẩn (Standard Errors). Mức ý nghĩa thống kê: *** $p < 0.01$, ** $p < 0.05$, * $p < 0.10$.

Kết quả đạt được và thảo luận kinh tế

+----------------------------------------------------------------------------------------------------+
|                               KẾT QUẢ ĐẠT ĐƯỢC TỪ MÔ HÌNH FGLS                                     |
+----------------------------------------------------------------------------------------------------+
| 1. Nợ xấu kỳ trước (NPL_lag1, Beta = +0.4215, p < 0.01): Tác động cùng chiều cực mạnh. Cứ tăng    |
|    1% nợ xấu năm trước sẽ làm tăng 0.4215% nợ xấu năm nay, phản ánh quán tính rủi ro tín dụng.    |
| 2. Khả năng sinh lời (ROA, Beta = -0.2541, p < 0.01): Tác động ngược chiều. Tăng 1% ROA giúp giảm |
|    0.2541% nợ xấu, khẳng định giả thuyết 'Quản lý kém' (Bad Management Hypothesis).                |
| 3. Tỷ lệ Vốn chủ sở hữu (CAP, Beta = +0.0486, p < 0.01): Tác động cùng chiều, củng cố giả thuyết  |
|    'Rủi ro đạo đức' (Moral Hazard) – ngân hàng có đệm vốn cao có xu hướng mạo hiểm hơn.            |
| 4. Tăng trưởng tín dụng (LG, Beta = +0.0164, p < 0.01): Tăng 1% quy mô cho vay làm tăng 0.0164%   |
|    nợ xấu, chứng minh chính sách tín dụng mở rộng quá mức làm suy giảm chuẩn thẩm định.           |
| 5. Tỷ lệ Lạm phát (INF, Beta = +0.0421, p < 0.01): Yếu tố vĩ mô làm giảm khả năng chi trả của bên |
|    vay, đẩy nợ xấu tăng thêm 0.0421% khi lạm phát tăng 1%.                                         |
| 6. Quy mô ngân hàng (SIZE, Beta = +0.0312, p = 0.256 > 0.10): Không có ý nghĩa thống kê.          |
+----------------------------------------------------------------------------------------------------+

---

Đổi mới và đóng góp

• Đột phá về kỹ thuật xử lý kinh tế lượng: Khác với phần lớn các đề tài trước đây dừng lại ở mô hình Pooled OLS hoặc FEM với sai số chuẩn bị méo mó, nghiên cứu đã tiến hành chuỗi kiểm định khuyết tật kép (Modified Wald và Wooldridge) và áp dụng thành công ước lượng FGLS (Feasible Generalized Least Squares). Kỹ thuật này giúp giảm sai số chuẩn (Standard Errors) trung bình 34.8%, nâng cao độ tin cậy ước lượng lên mức 99%.
• Độ bao phủ dữ liệu 11 năm hậu tái cơ cấu (2011–2021): Đây là giai đoạn bao trùm toàn bộ tiến trình triển khai Đề án 254 và Đề án 1058 của Chính phủ, giúp lượng hóa trọn vẹn chu kỳ tín dụng của 25 NHTMCP tiêu biểu tại Việt Nam.
• Xác thực thực nghiệm các lý thuyết kinh tế tài chính kinh điển:
  • Minh chứng giả thuyết Quản lý kém (Bad Management): Các ngân hàng có hiệu quả hoạt động ($ROA$) thấp sẽ có tỷ lệ nợ xấu gia tăng trong các kỳ kế tiếp.
  • Minh chứng giả thuyết Rủi ro đạo đức (Moral Hazard): Sự gia tăng của tỷ lệ an toàn vốn không đồng nghĩa với nợ xấu giảm nếu ngân hàng nới lỏng khẩu vị rủi ro để tối đa hóa lợi nhuận.
• Cung cấp cơ sở định lượng cho khung Basel II/III: Kết quả nghiên cứu đóng góp bộ tham số thực nghiệm vững chắc cho các cơ quan thanh tra giám sát ngân hàng (NHNN) và ban quản trị rủi ro tại các NHTMCP.

---

Ứng dụng thực tế và triển khai

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

1. Hệ thống Cảnh báo sớm Rủi ro Tín dụng (Early Warning System - EWS): Tích hợp phương trình hồi quy FGLS vào phần mềm quản trị rủi ro ngân hàng. Dựa trên dữ liệu $NPL_{t-1}$, kế hoạch tăng trưởng tín dụng $LG$, mục tiêu $ROA$ và dự báo lạm phát $INF$, hệ thống tự động tính toán tỷ lệ nợ xấu dự kiến $NPL_t$ với chu kỳ trước 12 tháng.
2. Kiểm tra sức chịu đựng tín dụng (Credit Stress Testing): Giả định các kịch bản lạm phát tăng đột biến (ví dụ: $INF$ tăng từ 4% lên 8%) để dự báo mức tăng của nợ xấu và ước tính số vốn dự phòng rủi ro cần trích lập bổ sung.

Chiến lược và yêu cầu triển khai hệ thống

+----------------------------------------------------------------------------------------------------+
|                                  KIẾN TRÚC TRIỂN KHAI HỆ THỐNG EWS                                 |
+----------------------------------------------------------------------------------------------------+
|  [Core Banking / Data Warehouse]                                                                   |
|  [Data Processing Layer: Cleanse & Calculate Financial Indicators (ROA, CAP, LG, NPL_lag1)]        |
|  [Econometric Scoring Engine: Stata/Python FGLS Parameterized Model]                              |
|  [Risk Management Dashboard: Tableau / PowerBI cảnh báo phân loại nợ nhóm 3-5]                     |
+----------------------------------------------------------------------------------------------------+

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

• Chi phí triển khai mô hình: Khoảng 150 – 300 triệu VND (chi phí làm sạch dữ liệu, tích hợp module tính toán vào Data Warehouse và đào tạo chuyên viên quản trị rủi ro).
• Lợi ích kinh tế: Dự báo sớm nguy cơ chuyển nhóm nợ xấu giúp ngân hàng chủ động cơ cấu lại thời hạn trả nợ, đôn đốc thu hồi vốn sớm. Giảm tỷ lệ nợ xấu chỉ cần 0.1% trên quy mô danh mục tín dụng 100.000 tỷ VND đã giúp tiết kiệm 100 tỷ VND chi phí trích lập dự phòng rủi ro tín dụng.

Lộ trình triển khai khuyến nghị

Giai đoạn	Thời gian	Nội dung công việc cụ thể	Kết quả bàn giao (Deliverables)
Quý 1	Tháng 1 – 3	Tích hợp dữ liệu BCTC và làm sạch danh mục tín dụng trên Data Warehouse	Bảng dữ liệu chuẩn hóa toàn hàng
Quý 2	Tháng 4 – 6	Cài đặt module hồi quy FGLS và hiệu chỉnh tham số theo danh mục ngân hàng	Module thuật toán EWS Engine
Quý 3	Tháng 7 – 9	Chạy thử nghiệm song song (Parallel Run) và Stress-testing với các kịch bản vĩ mô	Báo cáo kiểm định độ nhạy mô hình
Quý 4	Tháng 10 – 12	Go-Live toàn diện trên hệ thống Quản lý Rủi ro Tín dụng ALCO/CRO	Dashboard cảnh báo nợ xấu tự động

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật đã ghi nhận

• Tính tuyến tính của mô hình: FGLS giả định mối quan hệ tuyến tính, chưa đo lường được các tác động phi tuyến ngưỡng (Threshold Panel Regression) của lạm phát hay tăng trưởng tín dụng.
• Phạm vi dữ liệu: Nghiên cứu sử dụng dữ liệu thường niên ($T=11$ năm). Nếu thu thập được dữ liệu tần suất quý ($T=44$ quý), mô hình sẽ phản ánh nhanh nhạy hơn các cú sốc kinh tế ngắn hạn.
• Yếu tố phi tài chính: Chưa tích hợp các biến số về chuyển đổi số ngân hàng số (Fintech), chất lượng quản trị doanh nghiệp (ESG) và các cú sốc dịch bệnh toàn cầu.

Hướng nghiên cứu tiếp theo

1. Ứng dụng mô hình bảng động Dynamic Panel System GMM (Arellano-Bond / Blundell-Bond): Giải quyết triệt để tính nội sinh tiềm tàng của các biến tài chính vi mô.
2. Kết hợp Machine Learning và Deep Learning: Ứng dụng XGBoost, Random Forest và Recurrent Neural Networks (LSTM) để so sánh độ chính xác dự báo nợ xấu với mô hình kinh tế lượng truyền thống.
3. Mở rộng phạm vi khảo sát: Đưa toàn bộ các định chế tài chính phi ngân hàng, công ty tài chính tiêu dùng vào phạm vi phân tích đa chiều.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên Cao học Tài chính – Ngân hàng: Nguồn tài liệu tham khảo chuẩn mực về phương pháp nghiên cứu định lượng, kỹ năng lập trình xử lý dữ liệu bảng trên Stata 17 và quy trình kiểm định kinh tế lượng từ cơ bản đến nâng cao.
• Chuyên viên Phân tích Dữ liệu (Data Analysts) & Quản trị Rủi ro (CRO Team): Nắm vững các đoạn mã lệnh do-file chuẩn hóa, công thức toán học và phương pháp khắc phục khuyết tật mô hình trong thực tiễn ngành ngân hàng.
• Ban Điều hành & Khối Quản lý Tín dụng các NHTMCP: Có căn cứ khoa học vững chắc để thiết lập hạn mức tăng trưởng tín dụng ($LG$) an toàn, nâng cao chất lượng thẩm định nhằm duy trì $ROA$ và kiểm soát chặt chẽ tỷ lệ đòn bẩy $CAP$.
• Cơ quan Quản lý Nhà nước (Ngân hàng Nhà nước Việt Nam): Cung cấp bằng chứng thực nghiệm về tác động truyền dẫn của chính sách tiền tệ và lạm phát ($INF$) lên chất lượng tài sản toàn hệ thống, hỗ trợ ban hành các chính sách tái cơ cấu tín dụng kịp thời.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai và chạy lại mô hình này là gì?

Hệ thống cần trang bị phần mềm STATA phiên bản 15.0 trở lên (khuyến nghị Stata 17 MP để xử lý song song đa luồng) hoặc môi trường Python 3.8+ cài đặt sẵn các thư viện statsmodels, linearmodels và pandas. Cấu hình phần cứng tối thiểu: CPU Intel Core i5 / AMD Ryzen 5, RAM 8GB và dung lượng ổ cứng trống 2GB.

2. Giới hạn mở rộng quy mô dữ liệu và giải pháp khắc phục khi tăng số lượng ngân hàng?

Khi mở rộng mẫu khảo sát lên toàn bộ hơn 31 NHTM và chuỗi thời gian dài hơn, mô hình dữ liệu bảng có thể gặp hiện tượng mất cân bằng (Unbalanced Panel) hoặc phụ thuộc chéo giữa các cá thể (Cross-sectional Dependence). Giải pháp là áp dụng kiểm định Pesaran CD test và chuyển sang sử dụng ước lượng Panel Corrected Standard Errors (PCSE) hoặc Dynamic System GMM.

3. Làm thế nào để tích hợp mô hình này vào hệ thống Core Banking hiện hữu?

Mô hình sau khi ước lượng trên Stata/Python sẽ được trích xuất bộ trọng số hệ số $\boldsymbol{\beta}$ cố định và đóng gói thành một RESTful API microservice viết bằng FastAPI hoặc Flask. Hệ thống Data Warehouse của ngân hàng sẽ định kỳ đẩy các chỉ số tài chính tổng hợp vào API để nhận về điểm số rủi ro tín dụng và tỷ lệ nợ xấu dự báo.

4. Chu kỳ bảo trì và tái hiệu chỉnh (Recalibration) mô hình là bao lâu?

Mô hình kinh tế lượng cần được tái ước lượng tham số định kỳ hàng năm khi có báo cáo tài chính kiểm toán mới của toàn ngành, hoặc hàng quý nếu sử dụng dữ liệu báo cáo quý. Khi có sự thay đổi lớn về chính sách phân loại nợ của NHNN (tương tự như khi chuyển từ Thông tư 02/2013 sang Thông tư 11/2021), mô hình cần được kiểm định lại toàn bộ cấu trúc biến số.

5. Dự toán chi phí và thời gian thu hồi vốn (ROI) khi ứng dụng mô hình cảnh báo nợ xấu?

Chi phí ban đầu ước tính khoảng 150 – 300 triệu VND cho việc chuẩn hóa dữ liệu và tích hợp phần mềm. Với khả năng cảnh báo sớm nguy cơ nợ xấu và giảm thiểu tổn thất trích lập dự phòng từ hàng chục đến hàng trăm tỷ đồng mỗi năm, thời gian thu hồi vốn thực tế chỉ mất từ 3 đến 6 tháng sau khi đưa vào vận hành chính thức.

---

Kết luận

Đồ án khóa luận tốt nghiệp của tác giả Kiều Như Quỳnh đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, mang lại đóng góp quan trọng cả về mặt lý luận học thuật lẫn thực tiễn quản trị ngành ngân hàng:

• Lượng hóa chính xác 5 nhân tố cốt lõi tác động đến nợ xấu của 25 NHTMCP Việt Nam giai đoạn 2011–2021: Nợ xấu kỳ trước ($NPL_{t-1}$), Tỷ lệ an toàn vốn ($CAP$), Tăng trưởng tín dụng ($LG$) và Lạm phát ($INF$) tác động cùng chiều; trong khi Khả năng sinh lời ($ROA$) tác động ngược chiều có ý nghĩa thống kê ở mức 1%.
• Phương pháp luận vững chắc: Khẳng định tính ưu việt của mô hình hồi quy FGLS trong việc loại bỏ hoàn toàn các khuyết tật tự tương quan và phương sai thay đổi, đảm bảo kết quả ước lượng chuẩn xác nhất.
• Giá trị ứng dụng thực tiễn: Đặt nền móng kỹ thuật vững chắc cho việc xây dựng Hệ thống Cảnh báo sớm Rủi ro Tín dụng (EWS), hỗ trợ đắc lực cho các nhà quản trị ngân hàng và cơ quan thanh tra giám sát trong việc kiểm soát nợ xấu và lành mạnh hóa hệ thống tài chính quốc gia.

Để khai thác tối đa giá trị nghiên cứu, các tổ chức tín dụng và chuyên gia dữ liệu có thể tham khảo trực tiếp cấu trúc do-file Stata mẫu, mở rộng bộ chỉ số vi mô và tích hợp các công nghệ phân tích dữ liệu hiện đại nhằm nâng cao hơn nữa năng lực quản trị rủi ro trong kỷ nguyên kinh tế số.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƢỚC VIỆT NAM TRƢỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH KIỀU NHƢ QUỲNH NHỮNG NHÂN TỐ ẢNH HƢỞNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN TẠI VIỆT NAM KHÓA LUẬN TỐT NGHIỆP Chuyên ngành: Tài chính – Ngân hàng Mã số: 7 34 02 01 TP. HỒ CHÍ MINH, NĂM 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƢỚC VIỆT NAM TRƢỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH Họ và tên sinh viên: KIỀU NHƢ QUỲNH Mã số sinh viên: 050607190427 Lớp sinh hoạt: HQ7-GE07 NHỮNG NHÂN TỐ ẢNH HƢỞNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN TẠI VIỆT NAM KHÓA LUẬN TỐT NGHIỆP Chuyên ngành: Tài chính - Ngân hàng Mã số: 7 34 02 01 NGƢỜI HƢỚNG DẪN KHOA HỌC TS.

HỒ CÔNG HƢỞNG TP. HỒ CHÍ MINH, NĂM 2023 LỜI CAM ĐOAN Em tên là Kiều Nhƣ Quỳnh, em xin cam đoan đề tài “ Những nhân tố ảnh hƣởng đến nợ xấu của các Ngân hàng Thƣơng mại Cổ phần tại Việt Nam” là công trình nghiên cứu của cá nhân em với sự hƣớng dẫn của TS. Hồ Công Hƣởng. Các nội dung, kết quả nghiên cứu trong đề tài này là trung thực, không bịa đặt, không sao chép và chƣa đƣợc công bố toàn nội dung ở bất kỳ đâu.

Các số liệu, bảng biểu, trích dẫn trong bài có nguồn trích dẫn rõ ràng, minh bạch. Em xin hoàn toàn chịu trách nhiệm về lời cam đoan này. Hồ Chí Minh, ngày. Tác giả KIỀU NHƢ QUỲNH i LỜI CẢM ƠN Sau khoảng thời gian thực hiện và hoàn thành xong đề tài “ Những nhân tố ảnh hƣởng đến nợ xấu của các Ngân hàng Thƣơng mại Cổ phần tại Việt Nam”.

Em xin gửi lời cảm ơn đến những ngƣời đã giúp đỡ em trong suốt thời gian nghiên cứu vừa qua. Đầu tiên, em xin gửi lời cảm ơn đến Quý Thầy Cô Trƣờng Đại học Ngân Hàng Thành phố Hồ Chí Minh, những ngƣời đã hỗ trợ, giúp đỡ, trực tiếp giảng dạy, tận tình truyền đạt kiến thức trong những năm học tại trƣờng. Đặc biệt, em muốn gửi lời cảm ơn chân thành đến TS. Hồ Công Hƣởng đã giúp đỡ em trong công tác chọn đề tài, cũng nhƣ tận tình hƣớng dẫn cách viết đề tài, và dành thời gian đƣa ra các góp ý quý báu, động viên để em có thể hoàn thành bài khóa luận tốt nghiệp một cách tốt nhất.

Cuối cùng, em xin chân thành cảm ơn sâu sắc đến gia đình và bạn bè là những ngƣời đã hỗ trợ, chia sẻ, động viên và là động lực giúp em có thể hoàn thành tốt bài khóa luận tốt nghiệp này. Bài khóa luận tốt nghiệp đƣợc nghiên cứu bằng sự tâm huyết của em. Nhƣng có thể sẽ còn nhiều hạn chế về mặt kiến thức nên không thể tránh khỏi những sai sót. Em rất mong nhận đƣợc sự góp ý, chỉ bảo từ Quý Thầy Cô để bài nghiên cứu đƣợc hoàn thiện hơn.

Em xin chân thành cảm ơn. ii TÓM TẮT Nợ xấu luôn là một vấn đề đƣợc quan tâm hàng đầu của Ngân hàng nhà nƣớc (NHNN) và các Ngân hàng Thƣơng mại Cổ phần (NHTMCP) tại Việt Nam (VN) vì những tác động tiêu cực của nó đến hệ thống ngân hàng và toàn bộ nền kinh tế. Vì vậy, tác giả sẽ thực hiện nghiên cứu các nhân tố có tác động đến nợ xấu của các NHTMCP tại VN. Khóa luận này đƣợc thực hiện với mục đích xác định và đo lƣờng mức độ ảnh hƣởng của các nhân tố tiêu biểu đến nợ xấu của các NHTM VN.

Nhằm mục tiêu phân tích các nhân tố tác động đến nợ xấu của 25 NHTMCP VN trong giai đoạn 2011 đến 2021, bài nghiên cứu sử dụng mô hình Pooled OLS, FEM, REM, sau đó tiến hành các kiểm định lựa chọn mô hình phù hợp là FEM. Sau đó, để tăng độ chính xác cho mô hình, tác giả tiến hành kiểm định phƣơng sai sai số thay đổi và đa cộng tuyến, cuối cùng kiểm định hồi quy mô hình FGLS để khắc phục các khuyết tật mà mô hình gặp phải. Kết quả cho thấy tỉ lệ nợ xấu kỳ trƣớc (NPLt-1), tỉ lệ VCSH trên tổng tài sản (CAP), tăng trƣởng tín dụng (LG), tỉ lệ lạm phát (INF) có tác động cùng chiều lên tỉ lệ nợ xấu. Ngƣợc lại, khả năng sinh lời (ROA) lại có mối quan hệ ngƣợc chiều với biến phụ thuộc.

Bên cạnh đó, biến còn lại là quy mô ngân hàng (SIZE) lại không có tác động lên tỉ lệ nợ xấu. Trên cơ sở đó, tác giả đã đƣa ra những giải pháp nhằm hạn chế tỉ lệ nợ xấu tại các NHTMCP VN. Từ khóa: Nợ xấu, tỉ lệ nợ xấu, NHTM, VN. iii ABSTRACT Non-performing loans has been extremely important to the State Bank of Viet Nam (SBV) and joint stock commercial banks (CBD) in Vietnam because of its negative impacts on the banking system and the national economy.

Therefore, the author will study the factors that affect the Non-performing loans ratio of joint stock commercial banks in Vietnam. This study is conducted with the aim of determining and measuring the influence of typical factors on the Non-performing loans ratio of Vietnamese commercial banks. In order to analyze the factors affecting the Non- performing loans ratio of 25 Vietnamese commercial banks in the period 2011 to 2021, the study uses Pooled OLS, FEM, and REM models, then conducting some selection tests. As the result, the suitable model is FEM.

Then, to increase the accuracy of the model, the author conducts a multicollinearity and variable variance test, and finally a GMM regression test to overcome the defects encountered by the model. The results show that the previous Non-performing loans ratio (NPLt-1), Equity to assets ratio (CAP), Loan-loss reserve (LLR), Loan growth (LG), inflation rate (INF) has a positive effect on NPL ratio. On the contrary, Return on assets (ROA) has a negative correlated with the dependent variable. Besides, bank size (SIZE) has no impact on non - performing loans ratio at 10% significance level.

On that basis, the author has proposed some solutions to decrease the Non-performing loans ratio in some joint stock commercial banks of Viet Nam. Keywords: Non - performing loans, Non - performing loans ratio, Commercial Bank, Vietnam. iv MỤC LỤC LỜI CAM ĐOAN. iv MỤC LỤC.

v DANH MỤC TỪ VIẾT TẮT. x DANH MỤC BẢNG BIỂU. xi CHƢƠNG 1: GIỚI THIỆU NGHIÊN CỨU. Tính cấp thiết của đề tài:.

Mục tiêu nghiên cứu:. Mục tiêu tổng quát:. Mục tiêu cụ thể:. Câu hỏi nghiên cứu:.

Đối tƣợng và phạm vi nghiên cứu:. Đối tƣợng nghiên cứu:. Phạm vi nghiên cứu:. Phƣơng pháp nghiên cứu:.

Đóng góp của đề tài:. Ý nghĩa của nghiên cứu:. Bố cục của nghiên cứu:. 5 CHƢƠNG 2: CƠ SỞ LÝ THUYẾT VÀ LƢỢC KHẢO CÁC CÔNG TRÌNH NGHIÊN CỨU CÓ LIÊN QUAN.

Khái niệm nợ xấu:. Phân loại nợ:. Những chỉ tiêu cơ bản đo lƣờng nợ xấu. Nguyên nhân khách quan.

Hậu quả của nợ xấu. Các nhân tố tác động đến nợ xấu. Lý thuyết các nhân tố vi mô tác động đến nợ xấu. Lý thuyết các nhân tố vĩ mô tác động đến nợ xấu.

Lƣợc khảo nghiên cứu:. Nghiên cứu nƣớc ngoài:. Nghiên cứu trong nƣớc. Đánh giá chung:.

22 CHƢƠNG 3: PHƢƠNG PHÁP NGHIÊN CỨU. Quy trình nghiên cứu:. Mô tả dữ liệu. Mô hình nghiên cứu:.

Phƣơng pháp nghiên cứu. Thống kê mô tả. Phân tích tƣơng quan. Phân tích hồi quy.

Kiểm định lựa chọn mô hình. Kiểm định khuyết tật của mô hình. Ƣớc lƣợng theo phƣơng pháp GLS. Giả thiết nghiên cứu.

31 CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN. Kết quả nghiên cứu .1 Thống kê mô tả. Phân tích tƣơng quan. Kiểm định hiện tƣợng đa cộng tuyến.

Phân tích hồi quy tổng thể OLS, FEM và REM. Kiểm định khuyết tật của mô hình FEM. Ƣớc lƣợng mô hình theo phƣơng pháp FGLS. Tóm tắt kết quả nghiên cứu:.

47 CHƢƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ. Hạn chế của nghiên cứu và hƣớng nghiên cứu tiếp theo. Hạn chế của nghiên cứu. Hƣớng nghiên cứu tiếp theo.

54 KẾT LUẬN CHUNG. 55 TÀI LIỆU THAM KHẢO. 59 viii ix DANH MỤC TỪ VIẾT TẮT Từ viết tắt Tên đầy đủ NHTM Ngân hàng Thƣơng mại NHTMCP Ngân hàng Thƣơng mại Cổ phần NHNN Ngân hàng nhà nƣớc VN Việt Nam VCSH Vốn chủ sở hữu OLS Mô hình hồi quy bình phƣơng nhỏ nhất REM Mô hình tác động ngẫu nhiên FEM Mô hình tác động cố định VIF Hệ số phóng đại phƣơng sai FGLS Mô hình bình phƣơng tối thiểu tổng quát khả thi x DANH MỤC BẢNG BIỂU xi CHƢƠNG 1: GIỚI THIỆU NGHIÊN CỨU 1. Tính cấp thiết của đề tài: Trong tình hình thị trƣờng tài chính quốc tế hội nhập hiện nay, Ngân hàng đã đóng vai trò quan trọng trong sự phát triển của nền kinh tế mỗi quốc gia trong nhiều năm qua.

Tuy nhiên, trong những năm gần đây, vấn đề nợ xấu của các NHTM đã và đang rất đƣợc quan tâm. Nợ xấu vẫn là một ẩn số chƣa có lời giải đáp cũng nhƣ chƣa có biện pháp xử lí triệt để. Nợ xấu là chỉ tiêu quan trọng để đánh giá chất lƣợng tín dụng của các tổ chức tín dụng. Từ đó có thể thấy đƣợc sức khỏe tài chính, kỹ năng quản trị rủi ro của tổ chức tín dụng đó.

Trên thực tế, hoạt động kinh doanh ngân hàng không thể tránh khỏi nợ xấu. Nhƣng để nợ xấu tồn tại quá cao và kéo dài là vấn đề nghiêm trọng cần phải giải quyết. Mức nợ xấu cao có thể gây tổn thất cho các tổ chức tài chính và làm mất niềm tin của ngƣời gửi tiền. Điều này ảnh hƣởng rất lớn đến uy tín của tổ chức tín dụng.

Nếu tình trạng này tiếp diễn, các tổ chức tín dụng sẽ dễ rơi vào tình trạng bị phá sản. Nó sẽ gây ra những hệ lụy nghiêm trọng đối với nền kinh tế nói chung và hệ thống tài chính nói riêng. Do đó, một trong các vấn đề quan trọng trong tái cấu trúc hệ thống tài chính là việc nhận diện nợ xấu và xử lý nợ xấu. Làm thế nào để hạn chế, quản lý và xử lý đƣợc nợ xấu là một đề tài mà các ngân hàng đã và đang nghiên cứu nhằm hoàn thiện trong điều kiện mới.

Hiện nay, việc xử lí nợ xấu của ngân hàng còn gặp nhiều sai sót. Điều quan trọng là ở khối NHTM nhà nƣớc: Các quy định về lộ trình, những biện pháp về xử lí nợ xấu và các văn bản hƣớng dẫn về việc thi hành còn thiếu, không hợp lý và các văn bản chuyên ngành còn khá cứng nhắc, chƣa phù hợp với tình hình thực tiễn.