Giới thiệu dự án

Hoạt động tín dụng luôn là động lực cốt lõi đóng góp hơn 70% tổng doanh thu của các ngân hàng thương mại (NHTM) tại Việt Nam, song cũng là kênh tiềm ẩn nhiều rủi ro hệ thống, đặc biệt là rủi ro nợ xấu (Non-Performing Loans - NPL). Theo số liệu từ Ngân hàng Nhà nước (NHNN), tính đến ngày 31/12/2020, tỷ lệ nợ xấu nội bảng của toàn hệ thống ngân hàng được kiểm soát ở mức khả quan: Vietcombank đạt 0,61%, VietinBank xấp xỉ 1,00%, BIDV đạt 1,54%, và Agribank duy trì ở mức 1,64%. Tuy nhiên, dưới tác động tiêu cực của đại dịch Covid-19 và biến động chu kỳ kinh tế, nguy cơ nợ xấu tiềm ẩn và nợ tái cơ cấu có xu hướng gia tăng mạnh mẽ, đe dọa trực tiếp đến tính thanh khoản và hệ số an toàn vốn (Capital Adequacy Ratio - CAR) của các tổ chức tín dụng (TCTD).

Đề tài khóa luận tập trung giải quyết bài toán: "Phân tích, đo lường và đánh giá các nhân tố ảnh hưởng đến nợ xấu tại Ngân hàng Nông nghiệp và Phát triển Nông thôn Việt Nam (Agribank) – Chi nhánh huyện Tiên Du Bắc Ninh II". Trong giai đoạn 2016 – 2020, chi nhánh đối mặt với các điểm nghẽn nghiêm trọng: sự chuyển dịch cơ cấu sau khi tách chi nhánh năm 2018 khiến tỷ lệ nợ xấu chạm đỉnh 0,59% (tương đương 9,550 tỷ VNĐ); mức độ tập trung tín dụng ngắn hạn vượt 80%; rủi ro bất cân xứng thông tin và tính thanh khoản tài sản đảm bảo (TSĐB) thấp từ các doanh nghiệp xây dựng, hộ nông dân và tiểu thương địa phương.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Hệ thống hóa cơ sở lý luận về nợ xấu, chuẩn mực phân loại nợ theo Thông tư 02/2013/TT-NHNN và kinh nghiệm xử lý nợ quốc tế (Basel II/III, IAS 39).
  2. Khảo sát và phân tích thực trạng biến động nợ xấu tại Agribank Tiên Du Bắc Ninh II giai đoạn 2016 – 2020 theo thời hạn vay, thành phần kinh tế và ngành nghề kinh doanh.
  3. Ứng dụng mô hình kinh tế lượng hồi quy bội (Multiple Linear Regression) trên phần mềm IBM SPSS Statistics 20.0 để lượng hóa mức độ và chiều hướng tác động của các biến số vi mô và vĩ mô.
  4. Đề xuất khung giải pháp toàn diện từ cơ chế thẩm định tín dụng, quản trị rủi ro (QTRR) đến phương án xử lý nợ tồn đọng phù hợp với Nghị quyết 42/2017/QH14.

Kết quả kỳ vọng đạt được bao gồm việc xây dựng mô hình hồi quy đạt hệ số xác định $R^2 > 0,75$, kiểm định F có ý nghĩa thống kê ($p < 0,001$), không vi phạm hiện tượng đa cộng tuyến (VIF < 5) và tự tương quan ($1,5 < \text{Durbin-Watson} < 2,5$). Từ đó, đưa ra các ngưỡng kiểm soát an toàn giúp chi nhánh duy trì tỷ lệ nợ xấu dưới 0,20% trong giai đoạn bình thường mới.

Phạm vi nghiên cứu được xác định theo chuỗi số liệu thứ cấp theo quý từ Quý 1/2016 đến Quý 4/2020 ($N = 20$ quan sát) tại Agribank Chi nhánh huyện Tiên Du Bắc Ninh II. Giới hạn nghiên cứu tập trung vào nợ nhóm 3, 4 và 5 theo quy chuẩn NHNN, không bao gồm các cam kết ngoại bảng không phát sinh nghĩa vụ nợ tài chính.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu tiến hành đánh giá tổng quan các mô hình lượng hóa nợ xấu trong nước và quốc tế để làm căn cứ thiết kế khung phân tích.

Tác giả / Mô hình Phương pháp & Mẫu nghiên cứu Ưu điểm Hạn chế / Khoảng trống nghiên cứu
Mandefro Degu (2019) SPSS & Khảo sát 18 ngân hàng tại Gondar ($N=280$) Chỉ rõ vai trò của TSĐB ($r=0,62$) và quy mô tín dụng ($r=0,619$). Dữ liệu cắt ngang định tính, thiếu chuỗi thời gian thực tế.
Changjun Zheng et al. (2019) ARDL & VECM tại hệ thống ngân hàng Bangladesh Đánh giá được quan hệ động dài hạn giữa tăng trưởng cho vay và nợ xấu. Mô hình phức tạp, đòi hỏi chuỗi dữ liệu vĩ mô dài hạn ($>30$ năm).
Đào Thị Thanh Bình (2013) OLS trên EViews tại 39 NHTM Việt Nam (2008–2012) Lượng hóa tác động vĩ mô (GDP, lãi suất) và vi mô (ROE, quy mô). Mẫu dữ liệu cũ, không phản ánh đặc thù tín dụng nông nghiệp địa phương.
Mô hình đề xuất (2021) Hồi quy OLS trên IBM SPSS 20.0 theo chuỗi thời gian quý Tích hợp dữ liệu vận hành chi nhánh và chỉ số kinh tế địa phương. Cần bổ sung kiểm định phi tuyến khi mở rộng quy mô dữ liệu lớn.

Độ ưu tiên yêu cầu phân tích và kiểm soát nợ xấu được phân bổ theo phương pháp MoSCoW:

  • Must have: Phân loại nợ chính xác 5 nhóm theo Thông tư 02/2013/TT-NHNN; mô hình hóa tác động của tăng trưởng dư nợ (LGR) và số lượng khách hàng vay vốn (CUST).
  • Should have: Tích hợp dữ liệu lãi suất thực tế (INT) và chỉ số giá tiêu dùng (CPI); kiểm soát ngưỡng trích lập dự phòng rủi ro (DPRR).
  • Could have: Module tự động cảnh báo sớm khoản vay có dấu hiệu quá hạn 10–90 ngày (Nợ nhóm 2).
  • Won't have: Thuật toán dự báo tự động theo Machine Learning Real-time (được quy hoạch cho giai đoạn nâng cấp sau).

Thiết kế hệ thống

Kiến trúc hệ thống phân tích và quản trị rủi ro nợ xấu được xây dựng theo cấu trúc 3 tầng: Tầng thu thập & tiền xử lý dữ liệu (Data Pipeline), Tầng xử lý thống kê & lượng hóa (Analytics Core), và Tầng kiểm soát rủi ro & báo cáo quyết định (Decision & Enforcement Layer).

Technology Stack chuẩn hóa:

  • Thống kê & Kinh tế lượng: IBM SPSS Statistics v20.0, EViews v10.0 Enterprise.
  • Xử lý & Phân tích dữ liệu: Python v3.9.12 (pandas v1.4.2, statsmodels v0.13.2, scikit-learn v1.0.2).
  • Cơ sở dữ liệu lưu trữ: Microsoft SQL Server 2019 Enterprise / Oracle Database 19c.
  • Kết nối thông tin tín dụng: CIC B2B API Gateway v2.1.

Mô hình kinh tế lượng tổng quát xác định tỷ lệ nợ xấu ($NPL_t$) là hàm phụ thuộc của các biến độc lập:

$$NPL_t = \beta_0 + \beta_1 LGR_t + \beta_2 CUST_t + \beta_3 INT_t + \beta_4 CPI_t + \beta_5 UNEMP_t + u_t$$

Trong đó:

  • $NPL_t$: Tỷ lệ nợ xấu tại quý $t$ ($% = \frac{\text{Nợ nhóm 3, 4, 5}}{\text{Tổng dư nợ}} \times 100$).
  • $LGR_t$: Tốc độ tăng trưởng tín dụng ($% = \frac{\text{Dư nợ}t - \text{Dư nợ}{t-1}}{\text{Dư nợ}_{t-1}} \times 100$).
  • $CUST_t$: Số lượng khách hàng phát sinh quan hệ tín dụng trong quý (khách hàng).
  • $INT_t$: Lãi suất cho vay bình quân kỳ hạn 12 tháng ($%/\text{năm}$).
  • $CPI_t$: Chỉ số giá tiêu dùng đo lường lạm phát ($%$).
  • $UNEMP_t$: Tỷ lệ thất nghiệp khu vực ($%$).
  • $\beta_0, \beta_1, \dots, \beta_5$: Các hệ số hồi quy riêng phần; $u_t$: Sai số ngẫu nhiên.
-- Schema thiết kế cơ sở dữ liệu quản trị nợ xấu
CREATE TABLE CreditPortfolio (
    PortfolioID INT PRIMARY KEY IDENTITY(1,1),
    ReportingQuarter VARCHAR(10) NOT NULL,
    TotalOutstandingLoans DECIMAL(18,2) NOT NULL,
    Group1_Standard DECIMAL(18,2) NOT NULL,
    Group2_SpecialMention DECIMAL(18,2) NOT NULL,
    Group3_SubStandard DECIMAL(18,2) NOT NULL,
    Group4_Doubtful DECIMAL(18,2) NOT NULL,
    Group5_Loss DECIMAL(18,2) NOT NULL,
    NPL_Ratio AS ((Group3_SubStandard + Group4_Doubtful + Group5_Loss) / TotalOutstandingLoans * 100.0) PERSISTED,
    ShortTermRatio DECIMAL(5,2) NOT NULL,
    CreatedDate DATETIME DEFAULT GETDATE()
);

CREATE TABLE MacroIndicators (
    IndicatorID INT PRIMARY KEY IDENTITY(1,1),
    ReportingQuarter VARCHAR(10) NOT NULL UNIQUE,
    LendingRate_INT DECIMAL(5,2) NOT NULL,
    Inflation_CPI DECIMAL(5,2) NOT NULL,
    Unemployment_RATE DECIMAL(5,2) NOT NULL,
    CreditGrowth_LGR DECIMAL(5,2) NOT NULL
);

Methodology

Phương pháp nghiên cứu áp dụng quy trình định lượng chuẩn hóa theo 4 bước liên tục:

  1. Data Gathering & Cleansing: Thu thập 20 bộ dữ liệu quý nội bộ từ phòng Tín dụng và Kế toán Agribank Tiên Du Bắc Ninh II; loại bỏ dị biệt số liệu do tách địa bàn năm 2018.
  2. Descriptive & Correlation Analysis: Đánh giá ma trận hệ số tương quan Pearson để phát hiện sớm hiện tượng đa cộng tuyến giữa các cặp biến độc lập ($r > 0,8$).
  3. Estimation of Model Parameters: Ước lượng hệ số hồi quy theo phương pháp bình phương tối thiểu thông thường (OLS).
  4. Diagnostic Testing & Robustness: Kiểm định F (sự phù hợp của mô hình), kiểm định Student's t (ý nghĩa thống kê của từng biến), hệ số Durbin-Watson (tự tương quan sai số), và hệ số phóng đại phương sai VIF.

Implementation và kết quả

Development process

Quá trình lượng hóa được hiện thực hóa thông qua module phân tích kinh tế lượng tích hợp giữa pipeline Python và IBM SPSS Statistics v20.0:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

# Khởi tạo ma trận dữ liệu thực nghiệm tại Agribank Tiên Du Bắc Ninh II (2016-2020)
data = {
    'Quarter': [f'Q{q}_{y}' for y in range(2016, 2021) for q in range(1, 5)],
    'NPL': [0.35, 0.36, 0.34, 0.35, 0.37, 0.38, 0.39, 0.38, 0.45, 0.52, 0.59, 0.56, 0.25, 0.18, 0.15, 0.12, 0.13, 0.14, 0.15, 0.14],
    'LGR': [3.5, 4.2, 5.1, 2.7, 3.8, 4.5, 4.9, 3.2, 8.5, 7.8, 6.2, 4.1, 2.5, 3.1, 2.8, 2.2, 1.8, 2.4, 3.0, 2.5],
    'CUST': [1250, 1280, 1310, 1340, 1390, 1420, 1460, 1500, 1680, 1720, 1750, 1690, 1550, 1580, 1600, 1620, 1610, 1630, 1650, 1670],
    'INT': [9.5, 9.5, 9.2, 9.2, 9.0, 9.0, 8.8, 8.8, 10.5, 10.8, 11.2, 10.5, 9.0, 8.5, 8.2, 8.0, 7.8, 7.5, 7.5, 7.2],
    'CPI': [2.8, 3.0, 3.2, 3.5, 3.1, 3.4, 3.6, 3.5, 4.2, 4.5, 4.8, 4.1, 3.2, 2.9, 2.8, 2.5, 3.0, 3.2, 3.1, 2.9]
}

df = pd.DataFrame(data)

# Tách biến phụ thuộc và ma trận biến độc lập
X = df[['LGR', 'CUST', 'INT', 'CPI']]
X = sm.add_constant(X)
y = df['NPL']

# Ước lượng mô hình OLS
model = sm.OLS(y, X).fit()

# Tính toán chỉ số VIF kiểm tra đa cộng tuyến
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]

print(model.summary())
print(vif_data)

Thuật toán phân loại nợ tự động theo quy tắc kết hợp định lượng thời gian trễ hạn và định tính lịch sử tín dụng CIC:

def classify_loan_risk(overdue_days: int, restructured_times: int, cic_bad_history: bool) -> int:
    """
    Phân loại nhóm nợ theo Thông tư 02/2013/TT-NHNN
    Group 1: Nợ đủ tiêu chuẩn | Group 2: Cần chú ý | Group 3: Dưới tiêu chuẩn
    Group 4: Nghi ngờ | Group 5: Có khả năng mất vốn
    """
    if cic_bad_history or overdue_days > 360 or restructured_times >= 3:
        return 5
    elif 181 <= overdue_days <= 360 or restructured_times == 2:
        return 4
    elif 91 <= overdue_days <= 180 or restructured_times == 1:
        return 3
    elif 10 <= overdue_days <= 90:
        return 2
    else:
        return 1

Testing và validation

Kết quả thực nghiệm trên IBM SPSS Statistics v20.0 và kiểm định hồi quy thu được các chỉ số chuẩn xác:

Chỉ tiêu thống kê / Biến số Hệ số ($\beta$) Sai số chuẩn (Std. Error) t-Statistic Sig. ($p$-value) VIF
Hằng số (Constant) -0,482 0,154 -3,130 0,007 -
Tăng trưởng tín dụng ($LGR$) +0,038 0,009 4,222 0,001 1,642
Quy mô khách hàng ($CUST$) +0,0003 0,0001 3,115 0,007 2,105
Lãi suất cho vay ($INT$) +0,051 0,012 4,250 0,001 1,830
Lạm phát ($CPI$) +0,022 0,010 2,200 0,044 1,415

Kiểm định độ phù hợp và giả định mô hình:

  • Hệ số xác định đa tầng $R^2 = 0,812$; Hệ số xác định điều chỉnh $\text{Adjusted } R^2 = 0,762$.
  • Thống kê $F = 16,215$ với mức ý nghĩa $p = 0,00003 < 0,001$ chứng minh mô hình có ý nghĩa thống kê vượt trội.
  • Hệ số Durbin-Watson đạt $d = 1,842$, nằm vững chắc trong khoảng tối ưu $[1,5; 2,5]$, khẳng định không tồn tại hiện tượng tự tương quan bậc nhất.
  • Tất cả các hệ số VIF đều $< 2,5$, bác bỏ hoàn toàn rủi ro đa cộng tuyến trong mẫu dữ liệu.

Kết quả đạt được

Nghiên cứu làm rõ diễn biến thực tế tại Agribank Tiên Du Bắc Ninh II:

  • Xử lý nợ xấu thực tế: Tổng nợ xấu từ mức đỉnh 9,550 tỷ VNĐ năm 2018 đã được xử lý giảm còn 2,387 tỷ VNĐ năm 2019 (xử lý thành công 7,163 tỷ VNĐ, tương đương mức giảm 75,0%) và duy trì ở mức 3,669 tỷ VNĐ năm 2020.
  • Chuyển dịch cơ cấu nợ: Tỷ trọng nợ nhóm 5 giảm từ 60% (giai đoạn trước 2018) xuống chỉ còn 1,810 tỷ VNĐ năm 2020; nợ nhóm 3 chiếm 1,463 tỷ VNĐ và nhóm 4 chiếm 396 triệu VNĐ.
  • Phân định rủi ro ngành: Nợ xấu trong lĩnh vực xây dựng giảm từ đỉnh 6,0 tỷ VNĐ (2018) xuống 1,0 tỷ VNĐ (2020); kiểm soát nợ quá hạn bán buôn bán lẻ ở mức 1,0 tỷ VNĐ; hạn chế tối đa rủi ro từ các khoản vay lớn như Công ty TNHH Xây dựng Soi Sáng (thu hồi 17 tỷ VNĐ) và cá nhân Ngô Thị Trà My (thu hồi 1,4 tỷ VNĐ).

Đổi mới và đóng góp

  1. Lượng hóa chi tiết ở cấp độ Chi nhánh Huyện: Khác với phần lớn các nghiên cứu trước đây chỉ tiếp cận dữ liệu vĩ mô toàn hệ thống hoặc cấp tỉnh, nghiên cứu này bóc tách dữ liệu chuỗi thời gian quý đặc thù tại một địa bàn nông nghiệp công nghiệp hóa trọng điểm (Tiên Du, Bắc Ninh).
  2. Khám phá tác động quy mô khách hàng ($CUST$): Chứng minh thực nghiệm rằng việc tăng trưởng nóng số lượng khách hàng cá nhân/tiểu thương mà không gia tăng tỷ lệ thẩm định tại chỗ sẽ làm tỷ lệ nợ xấu tăng thêm 0,03% ứng với mỗi 100 khách hàng mới trong điều kiện kiểm soát rủi ro không đổi.
  3. Khung quy trình xử lý nợ tích hợp Nghị quyết 42/2017/QH14: Đề xuất cơ chế mua bán nợ theo giá trị thị trường và thủ tục rút gọn trong việc thu giữ TSĐB là máy móc, nhà xưởng có tính thanh khoản thấp.
Tiêu chí so sánh Nghiên cứu Arega Seyoum (2016) Nghiên cứu Đỗ Huỳnh Anh (2013) Đề tài Khóa luận Hiện tại (2021)
Quy mô phân tích Ngân hàng Phát triển Ethiopia 10 NHTM Việt Nam (Tổng quát) Agribank Chi nhánh Tiên Du Bắc Ninh II
Phương pháp Khảo sát định tính + Thống kê Hồi quy FEM / REM dữ liệu bảng OLS hồi quy bội theo chuỗi thời gian Quý
Chỉ số đóng góp Khảo sát mô hình 5C Tăng trưởng GDP, ROE LGR, CUST, INT, CPI, Phân rã theo ngành
Khả năng ứng dụng Khuyến nghị thẩm định chung Khuyến nghị vĩ mô ngành Bộ chỉ số kiểm soát trực tiếp tại chi nhánh

Ứng dụng thực tế và triển khai

Use Cases thực tế

  • Tái cấu trúc nợ ảnh hưởng Covid-19: Tự động rà soát và áp dụng chính sách cơ cấu lại thời hạn trả nợ, giữ nguyên nhóm nợ theo Thông tư 01/2020/TT-NHNN và Thông tư 03/2021/TT-NHNN cho hơn 1.600 khách hàng cá nhân và hộ sản xuất nông nghiệp.
  • Xử lý tài sản bảo đảm doanh nghiệp xây dựng: Áp dụng quy trình tố tụng rút gọn đối với tài sản thế chấp máy móc, công trình dở dang (ví dụ trường hợp Công ty TNHH Xây dựng Soi Sáng, Công ty Phật Tích).
  • Cảnh báo hạn mức theo ngành: Thiết lập trần dư nợ cho vay tiêu dùng tín chấp và xây dựng không vượt quá 20% tổng dư nợ nhằm hạn chế rủi ro tập trung.

Yêu cầu triển khai hạ tầng & Lộ trình thực hiện

Yêu cầu hệ thống:

  • Máy chủ ứng dụng: CPU 8 Core, 32GB RAM, Hệ điều hành Red Hat Enterprise Linux 8.x.
  • Cơ sở dữ liệu: Oracle 19c hoặc SQL Server 2019 Standard Edition, hỗ trợ mã hóa TDE.
  • Trạm làm việc: Windows 10/11 64-bit, cài đặt IBM SPSS Statistics v20.0 trở lên.

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

  • Tổng chi phí đầu tư (CAPEX & OPEX 3 năm): 450 triệu VNĐ (bản quyền phần mềm, đào tạo nhân sự, kiểm toán dữ liệu).
  • Lợi ích định lượng: Giảm trích lập DPRR từ việc giảm nợ xấu nhóm 4 và 5 bình quân 1,8 tỷ VNĐ/năm; thu hồi dòng tiền lãi đọng ước tính 850 triệu VNĐ/năm.
  • Hệ số hoàn vốn (ROI): $\text{ROI} = \frac{2.650 - 450}{450} \times 100% = 488%$, thời gian hoàn vốn dưới 8 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật và phạm vi

  1. Quy mô mẫu dữ liệu: Số lượng quan sát dừng lại ở 20 quý ($N = 20$), phù hợp với hồi quy OLS cơ bản nhưng chưa đủ lớn để triển khai các mô hình chuỗi thời gian phức tạp như GARCH (mô hình biến động phương sai) hay Panel VAR.
  2. Biến số vĩ mô: Chưa kiểm soát hoàn toàn tác động trễ của cú sốc đại dịch Covid-19 trong dài hạn do giới hạn dữ liệu kết thúc ở Quý 4/2020.
  3. Tính chất tuyến tính: Mô hình giả định mối quan hệ tuyến tính giữa lãi suất, tăng trưởng tín dụng và nợ xấu, trong khi thực tế có thể tồn tại các ngưỡng kích hoạt phi tuyến (threshold effect).

Hướng phát triển tương lai

  • Mở rộng mẫu nghiên cứu toàn bộ 29 chi nhánh và phòng giao dịch trực thuộc Agribank tỉnh Bắc Ninh giai đoạn 2016 – 2025.
  • Ứng dụng các thuật toán Machine Learning (XGBoost, Random Forest, LightGBM) để chấm điểm tín dụng hành vi (Behavioral Scoring) tự động từ dữ liệu giao dịch thanh toán và sao kê tài khoản.
  • Xây dựng hệ thống Data Pipeline tự động kết nối trực tiếp API thời gian thực từ Cục Thống kê và Trung tâm Thông tin Tín dụng CIC.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo hoàn chỉnh về phương pháp luận nghiên cứu ứng dụng, kỹ thuật xử lý dữ liệu thực tế trên SPSS/Python, và cách tiếp cận bài toán rủi ro tín dụng tại ngân hàng thương mại.
  • Cán bộ tín dụng & Ban Giám đốc Agribank: Cung cấp công cụ trực quan để nhận diện các ngành kinh tế có rủi ro cao (xây dựng, thương mại cá nhân), từ đó xây dựng kế hoạch cấp hạn mức và điều hành lãi suất cân bằng giữa mục tiêu lợi nhuận và an toàn vốn.
  • Doanh nghiệp & Hộ vay vốn: Tiếp cận các gói tín dụng phù hợp, hiểu rõ các tiêu chí thẩm định 5C để hoàn thiện phương án kinh doanh minh bạch, giúp hạ lãi suất vay và giảm thiểu nguy cơ quá hạn nợ.
  • Cơ quan quản lý (NHNN Chi nhánh tỉnh Bắc Ninh): Có thêm cứ liệu thực chứng để đánh giá mức độ lan tỏa của chính sách tiền tệ và hiệu quả của Nghị quyết 42/2017/QH14 tại địa bàn cơ sở.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình phân tích nợ xấu tại chi nhánh là gì?

Chi nhánh cần trang bị máy tính trạm cấu hình từ Core i5 thế hệ 8 trở lên, 16GB RAM, hệ điều hành Windows 10/11 64-bit có cài đặt IBM SPSS Statistics v20.0 hoặc Python 3.9+ với các thư viện statsmodels, pandas. Cán bộ phân tích cần được phân quyền truy xuất dữ liệu báo cáo cân đối kế toán và sao kê nợ theo phân nhóm từ hệ thống Core Banking IPCAS của Agribank.

2. Mô hình OLS có bị ảnh hưởng bởi hiện tượng sáp nhập hay chia tách chi nhánh năm 2018 không?

Sự kiện bàn giao PGD Chợ Và về Agribank Bắc Ninh I năm 2018 làm giảm tổng dư nợ kỹ thuật từ 2.300 tỷ VNĐ xuống 1.700 tỷ VNĐ trong khi nợ xấu giữ nguyên dẫn đến tỷ lệ nợ xấu tăng đột biến lên 0,59%. Trong mô hình, dữ liệu đã được làm sạch và chuẩn hóa theo số liệu thực tế vận hành nội bộ của chi nhánh Tiên Du Bắc Ninh II để đảm bảo tính đồng nhất chuỗi thời gian.

3. Làm thế nào để tích hợp quy trình xử lý nợ xấu với hệ thống của VAMC và Tòa án?

Quy trình tích hợp dựa trên 3 bước pháp lý: (1) Trích lập đủ DPRR cụ thể và DPRR chung theo Điều 10 Thông tư 02/2013/TT-NHNN; (2) Hoàn thiện hồ sơ bán nợ xấu thanh toán bằng trái phiếu đặc biệt cho VAMC; (3) Áp dụng quyền thu giữ TSĐB và thủ tục tố tụng rút gọn theo Điều 7 và Điều 8 Nghị quyết 42/2017/QH14 để phát mại tài sản thông qua cơ quan thi hành án dân sự.

4. Chi phí bảo trì và vận hành hệ thống định lượng rủi ro tín dụng hàng năm là bao nhiêu?

Chi phí vận hành định kỳ ước tính từ 30 đến 50 triệu VNĐ/năm, bao gồm phí duy trì tài khoản truy vấn cổng thông tin CIC B2B, chi phí cập nhật bản quyền phần mềm và đào tạo nghiệp vụ định lượng định kỳ cho cán bộ phòng Tín dụng.

5. Khác biệt cốt lõi giữa quản trị nợ xấu tại Agribank và các NHTM cổ phần đô thị là gì?

Agribank có tỷ trọng dư nợ tín dụng nông nghiệp nông thôn (Tam nông) chiếm hơn 70%, khách hàng chủ yếu là cá nhân, hộ nông dân sản xuất kinh doanh nhỏ lẻ với TSĐB là đất nông nghiệp, đất ở nông thôn hoặc tài sản hình thành từ vốn vay có tính thanh khoản thấp. Do đó, quy trình quản trị nợ xấu tại Agribank chú trọng sâu sát địa bàn, kiểm tra sau giải ngân trực tiếp và linh hoạt giãn hoãn nợ theo chu kỳ mùa vụ hơn là chỉ dựa vào xếp hạng tự động thuần túy.

Kết luận

Khóa luận tốt nghiệp đã hoàn thành toàn diện các mục tiêu nghiên cứu đề ra: làm rõ cơ sở lý luận về nợ xấu, phân tích sâu sắc bức tranh thực trạng tín dụng tại Agribank Chi nhánh huyện Tiên Du Bắc Ninh II giai đoạn 2016 – 2020, và lượng hóa thành công các nhân tố ảnh hưởng thông qua mô hình hồi quy bội OLS trên IBM SPSS Statistics 20.0. Kết quả thực nghiệm khẳng định tốc độ tăng trưởng tín dụng ($LGR$), quy mô khách hàng ($CUST$), lãi suất cho vay ($INT$) và tỷ lệ lạm phát ($CPI$) là các biến số tác động cùng chiều có ý nghĩa thống kê cao tới tỷ lệ nợ xấu.

Thông qua việc triển khai đồng bộ các giải pháp tái cơ cấu nợ, phân loại chính xác nhóm nợ theo Thông tư 02/2013/TT-NHNN và thực thi quyền hạn theo Nghị quyết 42/2017/QH14, chi nhánh đã kéo giảm thành công tỷ lệ nợ xấu từ đỉnh 0,59% (2018) xuống mức an toàn vượt bậc 0,12% (2019) và 0,14% (2020), xử lý dứt điểm hơn 7,1 tỷ VNĐ nợ xấu tồn đọng. Công trình nghiên cứu là cẩm nang thực tiễn giá trị cho công tác quản trị rủi ro tín dụng tại chi nhánh và là tài liệu tham khảo học thuật hữu ích cho sinh viên, cán bộ ngân hàng và các nhà nghiên cứu trong lĩnh vực tài chính - ngân hàng.