Giới thiệu dự án

Hoạt động tín dụng giữ vai trò huyết mạch trong hệ thống ngân hàng thương mại (NHTM) và là động lực tài trợ vốn cốt lõi cho nền kinh tế Việt Nam. Tuy nhiên, áp lực tăng trưởng tín dụng nhanh trong giai đoạn 2008 – 2017 đã bộc lộ nhiều điểm nghẽn về kiểm soát chất lượng tín dụng, dẫn đến rủi ro nợ xấu (Non-Performing Loans - NPL) gia tăng, xói mòn lợi nhuận và đe dọa an toàn thanh khoản toàn hệ thống. Đồ án khóa luận tốt nghiệp chuyên ngành Tài chính – Ngân hàng (Mã số: 7340201) tại Trường Đại học Ngân hàng TP. Hồ Chí Minh với đề tài "Nhân tố tác động đến tỷ lệ nợ xấu của Ngân hàng Thương mại Cổ phần Sài Gòn Thương Tín trong giai đoạn 2008 – 2017" do tác giả Đặng Ngọc Bảo Thắng thực hiện dưới sự hướng dẫn khoa học của PGS.TS. Hoàng Thị Thanh Hằng tập trung giải quyết bài toán định lượng và kiểm soát rủi ro tín dụng tại Ngân hàng TMCP Sài Gòn Thương Tín (Sacombank).

+-------------------------------------------------------------------------+
|                  KHUNG PHÂN TÍCH RỦI RO NỢ XẤU (NPL)                    |
|                                                                         |
|  [Nhân tố Nội tại Ngân hàng]           [Nhân tố Kinh tế Vĩ mô]          |
|  - EQT: Vốn chủ sở hữu / Tổng TS       - GDP: Tăng trưởng kinh tế       |
|  - LIQ: Tỷ lệ thanh khoản cao                                           |
+-------------------------------------------------------------------------+

Bối cảnh và vấn đề thực tiễn (Problem Statement)

Sacombank (mã chứng khoán: STB) là định chế tài chính bán lẻ quy mô lớn nhưng chịu áp lực nợ xấu phức tạp, đặc biệt sau sự kiện sáp nhập Ngân hàng TMCP Phương Nam (Southern Bank) vào tháng 10/2015, khiến khối nợ xấu tồn đọng tăng thêm hơn 4.000 tỷ đồng. Tỷ lệ nợ xấu của Sacombank biến động mạnh từ mức đáy 0.19% (Quý 1/2008) lên đỉnh điểm 6.36% (Quý 2/2017). Các khó khăn cốt lõi bao gồm:

  • Tác động dây chuyền từ cuộc khủng hoảng tài chính toàn cầu 2008 và sự đóng băng của thị trường bất động sản giai đoạn 2009 – 2013.
  • Cuộc đua lãi suất huy động lên tới 14% khiến chi phí vốn tăng vọt, gây áp lực thanh khoản.
  • Nhu cầu xử lý dứt điểm nợ xấu thông qua Công ty Quản lý Tài sản của các TCTD Việt Nam (VAMC) và cơ chế phân loại nợ theo Quyết định 493/2005/QĐ-NHNN cùng Thông tư 36/2014/TT-NHNN.

Mục tiêu nghiên cứu (Project Objectives)

  1. Phân tích thực trạng: Đánh giá hoạt động tín dụng, cấu trúc dư nợ cho vay và biến động tỷ lệ nợ xấu tại Sacombank giai đoạn 2008 – 2017 theo chu kỳ 40 quý.
  2. Xây dựng mô hình định lượng: Nhận diện và đo lường mức độ tác động của các nhân tố vi mô (nội tại ngân hàng) và vĩ mô đến tỷ lệ NPL bằng phương pháp hồi quy dữ liệu chuỗi thời gian.
  3. Đề xuất hàm ý quản trị: Đưa ra hệ thống giải pháp nâng cao chất lượng tín dụng, tối ưu hóa cơ cấu tài sản sinh lời và kiểm soát rủi ro thanh khoản.

Phương pháp tiếp cận và kết quả kỳ vọng

  • Phương pháp tiếp cận: Sử dụng mô hình hồi quy bình phương bé nhất (Ordinary Least Squares - OLS) trên tập dữ liệu chuỗi thời gian 40 quan sát quý ($N=40$), kết hợp các kiểm định khuyết tật mô hình (đa cộng tuyến, phương sai thay đổi White Test, tự tương quan Breusch-Godfrey LM Test) trên phần mềm EViews 8.0.
  • Phạm vi nghiên cứu: Toàn bộ báo cáo tài chính hợp nhất theo quý của Sacombank từ Quý 1/2008 đến Quý 4/2017 và số liệu tăng trưởng GDP từ Tổng cục Thống kê / World Bank.
  • Kết quả kỳ vọng: Xác lập mô hình giải thích trên 70% phương sai tỷ lệ NPL ($R^2 > 0.70$), định lượng rõ chiều hướng tác động của hệ số an toàn vốn (EQT), thanh khoản (LIQ), biên lãi thuần (NIM) và thu nhập phi lãi (OI).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng và khoảng trống nghiên cứu

Tiêu chí phân tích Nghiên cứu quốc tế (Salas & Saurina 2002; Chaibi 2014) Nghiên cứu tổng hợp trong nước (Võ Thị Quý 2014; Nguyễn Thị Hồng Vinh 2015) Mô hình nghiên cứu đề tài (Sacombank 2008 - 2017)
Phạm vi dữ liệu Đa ngân hàng tại Tây Ban Nha, Pháp, Đức ($N > 500$) Dữ liệu bảng 22 – 26 NHTM Việt Nam theo năm Dữ liệu chuỗi thời gian theo quý ($N = 40$) chuyên sâu tại Sacombank
Mức độ chi tiết Tổng quát hóa hệ thống ngân hàng toàn cầu Dữ liệu năm làm mờ các biến động mùa vụ và sốc thanh khoản Bắt trọn biến động từng quý, phản ánh rõ tác động M&A và xử lý nợ VAMC
Biến giải thích Tập trung vào vĩ mô (GDP, Thất nghiệp) và quy mô Chủ yếu là GDP, lạm phát và ROE Tích hợp EQT, LIQ, NIM, OI, ROE và GDP
Ưu điểm Độ khái quát hóa cao Đánh giá được bức tranh toàn cảnh hệ thống Phân tích sâu đặc thù đơn vị, đưa ra giải pháp may đo chính xác
Hạn chế Không phản ánh đặc thù chính sách của từng NHTM Bỏ qua các cú sốc tài chính nội bộ ngắn hạn Cần mở rộng dữ liệu khi áp dụng cho ngân hàng khác 
+---------------------------------------------------------------------------------------------------+
|                  YÊU CẦU MÔ HÌNH HÓA DỮ LIỆU TÍN DỤNG THEO CHUẨN MOSCOW                           |
+---------------------------------------------------------------------------------------------------+
|  [MUST HAVE - Bắt buộc]:                                                                          |
|  * Tích hợp đầy đủ 40 quan sát quý từ BCTC kiểm toán giai đoạn 2008 - 2017.                       |
|  * Định lượng hệ số an toàn vốn (EQT), tỷ lệ thanh khoản (LIQ) và biên lãi ròng (NIM).           |
|  * Vượt qua các kiểm định khuyết tật: White Heteroskedasticity, Breusch-Godfrey LM Autocorrelation|
+---------------------------------------------------------------------------------------------------+
|  [SHOULD HAVE - Cần có]:                                                                          |
|  * Đo lường biến động tỷ trọng thu nhập ngoài lãi (OI) từ đa dạng hóa dịch vụ.                    |
|  * So sánh tác động của biến cố tái cấu trúc M&A Southern Bank (2015).                            |
+---------------------------------------------------------------------------------------------------+
|  [COULD HAVE - Có thể bổ sung]:                                                                   |
|  * Mở rộng kiểm định cấu trúc trễ phân phối ARDL hoặc mô hình hiệu chỉnh sai số VECM.             |
+---------------------------------------------------------------------------------------------------+
|  [WON'T HAVE - Chưa thực hiện]:                                                                   |
|  * Dữ liệu vi mô từng hồ sơ khoản vay đơn lẻ của từng chi nhánh (bảo mật ngân hàng).             |
+---------------------------------------------------------------------------------------------------+

Thiết kế hệ thống chỉ số và mô hình thực nghiệm

Mô hình kinh tế lượng tổng quát được thiết lập dưới dạng hàm hồi quy tuyến tính đa biến:

$$NPL_t = \alpha_0 + \beta_1 EQT_t + \beta_2 LIQ_t + \beta_3 ROE_t + \beta_4 NIM_t + \beta_5 OI_t + \beta_6 GDP_t + u_t$$

Trong đó:

  • $NPL_t$: Tỷ lệ nợ xấu tại thời điểm quý $t$ ($\frac{\text{Nợ nhóm 3 + Nhóm 4 + Nhóm 5}}{\text{Tổng dư nợ}} \times 100%$).
  • $\alpha_0$: Hệ số chặn (Intercept).
  • $\beta_1, \dots, \beta_6$: Các hệ số hồi quy riêng phần của các biến độc lập.
  • $u_t$: Sai số ngẫu nhiên (Residual error term).
+---------------------------------------------------------------------------------------------------------+
|                                    BẢNG ĐẶC TẢ CÁC BIẾN TRONG MÔ HÌNH                                   |
+-------+------------------------------------------+------------------------------------+--------+--------+
| Ký    | Tên biến                                 | Công thức xác định                 | Đơn vị | Kỳ     |
| hiệu  |                                          |                                    |        | vọng   |
+-------+------------------------------------------+------------------------------------+--------+--------+
| NPL   | Tỷ lệ nợ xấu (Biến phụ thuộc)            | (Nợ nhóm 3 + 4 + 5) / Tổng dư nợ   | %      | [Gốc]  |
| EQT   | Vốn chủ sở hữu trên tổng tài sản         | Tổng vốn CSH / Tổng tài sản        | %      | (-)    |
| LIQ   | Tỷ lệ tài sản thanh khoản cao            | Tài sản thanh khoản cao / Tổng TS  | %      | (-)    |
| ROE   | Tỷ suất sinh lời trên vốn CSH            | Lợi nhuận sau thuế / Vốn CSH       | %      | (-)    |
| NIM   | Tỷ lệ lãi suất cận biên                  | Thu nhập lãi thuần / TS sinh lãi   | %      | (+)    |
| OI    | Lãi thuần hoạt động khác                 | Lãi thuần HĐ phi tín dụng / Tổng TN| %      | (-)    |
| GDP   | Tốc độ tăng trưởng kinh tế vĩ mô         | Tăng trưởng GDP thực tế theo quý   | %      | (-)    |
+-------+------------------------------------------+------------------------------------+--------+--------+

Nền tảng công nghệ và phương pháp luận nghiên cứu

  • Phần mềm phân tích: EViews phiên bản 8.0 (Quantitative Micro Software) kết hợp Microsoft Excel 2016 xử lý dữ liệu tiền xử lý.
  • Hệ thống dữ liệu nguồn: Hệ thống Core Banking Temenos T24 R8 của Sacombank (nâng cấp từ năm 2009) kết hợp chuẩn dữ liệu trung tâm Data Center quốc tế.
  • Khung quản trị rủi ro lý thuyết áp dụng:
    • Lý thuyết Quản lý kém (Bad Management Hypothesis - Berger & DeYoung, 1997): Hiệu quả chi phí thấp dẫn đến khả năng thẩm định yếu kém và nợ xấu gia tăng.
    • Lý thuyết Quá lớn không thể sụp đổ (Too Big To Fail - Boyd & Gertler, 1994): Ngân hàng ỷ lại vào cứu trợ của Chính phủ sẽ có xu hướng cấp tín dụng rủi ro cao.
    • Lý thuyết Rủi ro đạo đức (Moral Hazard Hypothesis): Vốn tự có mỏng kích thích tâm lý đầu tư mạo hiểm.
    • Khung giám sát chuẩn mực quốc tế: Hiệp ước Basel II (Basel Committee on Banking Supervision - BCBS).

Implementation và kết quả

Quy trình phân tích dữ liệu và Script hồi quy

Dữ liệu được làm sạch, kiểm tra tính dừng và ước lượng bằng kỹ thuật OLS trên EViews 8.0 thông qua quy trình script thực thi chuẩn:

# Script mô phỏng quy trình ước lượng OLS và kiểm định mô hình (Python Statsmodels / EViews equivalent)
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_white
from statsmodels.stats.stattools import durbin_watson

def estimate_npl_model(data_path: str):
    # 1. Nạp tập dữ liệu BCTC Sacombank 2008 - 2017 (40 quan sát quý)
    df = pd.read_excel(data_path, sheet_name="Sacombank_Quarterly")
    
    # 2. Thiết lập danh sách biến phụ thuộc và độc lập
    dependent_var = df['NPL']
    independent_vars = df[['EQT', 'LIQ', 'ROE', 'NIM', 'OI', 'GDP']]
    X = sm.add_constant(independent_vars)
    
    # 3. Ước lượng mô hình OLS
    model = sm.OLS(dependent_var, X).fit()
    print(model.summary())
    
    # 4. Kiểm định chẩn đoán phương sai sai số thay đổi (White Test)
    white_test = het_white(model.resid, X)
    labels = ['Test Statistic', 'Test p-value', 'F-Statistic', 'F-Test p-value']
    print(dict(zip(labels, white_test)))
    
    # 5. Kiểm định tự tương quan (Durbin-Watson & Breusch-Godfrey)
    dw_stat = durbin_watson(model.resid)
    print(f"Durbin-Watson Statistic: {dw_stat:.4f}")
    
    return model

# Mô hình ước lượng EViews tương đương:
# LS NPL C EQT LIQ ROE NIM OI GDP

Thống kê mô tả bộ dữ liệu thực nghiệm (N = 40)

Dữ liệu 40 quý thu thập từ Quý 1/2008 đến Quý 4/2017 cho thấy sự biến thiên rõ nét của các chỉ số tài chính:

+---------------------------------------------------------------------------------------------------+
|                               THỐNG KÊ MÔ TẢ CÁC BIẾN SỐ NGHIÊN CỨU                               |
+----------+------------+------------+------------+------------+------------+------------+----------+
| Biến số  | NPL (%)    | EQT (%)    | ROE (%)    | LIQ (%)    | NIM (%)    | OI (%)     | GDP (%)  |
+----------+------------+------------+------------+------------+------------+------------+----------+
| Mean     | 1.7310     | 9.0415     | 2.8120     | 16.2045    | 0.8932     | 25.7610    | 5.8185   |
| Median   | 1.3450     | 8.9200     | 2.6550     | 15.4800    | 0.9150     | 24.3150    | 5.9250   |
| Maximum  | 6.3600     | 11.9700    | 7.3500     | 28.5200    | 1.4300     | 51.4000    | 7.6500   |
| Minimum  | 0.1900     | 6.2700     | -6.4900    | 4.5200     | 0.1100     | 0.8600     | 3.1000   |
| Std. Dev | 1.4215     | 1.3850     | 2.4510     | 6.1240     | 0.2840     | 11.2350    | 1.0363   |
+----------+------------+------------+------------+------------+------------+------------+----------+

Kết quả ước lượng hồi quy và kiểm định chất lượng mô hình

+---------------------------------------------------------------------------------------------------+
|                             KẾT QUẢ HỒI QUY MÔ HÌNH NỢ XẤU SACOMBANK                              |
+---------------------+-------------------+--------------------+---------------+--------------------+
| Biến độc lập        | Hệ số hồi quy (β) | Sai số chuẩn (SE)  | t-Statistic   | P-value            |
+---------------------+-------------------+--------------------+---------------+--------------------+
| C (Hệ số chặn)      | 9.8452            | 1.5421             | 6.3843        | 0.0000***          |
| EQT                 | -0.7421           | 0.1654             | -4.4867       | 0.0001***          |
| LIQ                 | -0.0815           | 0.0241             | -3.3817       | 0.0018***          |
| NIM                 | -1.6240           | 0.5412             | -3.0007       | 0.0051***          |
| OI                  | -0.0412           | 0.0152             | -2.7105       | 0.0105**           |
| ROE                 | -0.0521           | 0.0684             | -0.7616       | 0.4516 (Ký hiệu:ns)|
| GDP                 | -0.1120           | 0.1425             | -0.7859       | 0.4374 (Ký hiệu:ns)|
+---------------------+-------------------+--------------------+---------------+--------------------+
| R-squared: 0.7530 (75.30%)              | Adjusted R-squared: 0.7081 (70.81%)                     |
| F-statistic: 16.768 (p-value = 0.0000)  | Durbin-Watson stat: 1.8920                              |
+-----------------------------------------+---------------------------------------------------------+
Ghi chú: *** p < 0.01; ** p < 0.05; * p < 0.1; ns: không có ý nghĩa thống kê.

Kiểm định khuyết tật mô hình (Diagnostic Tests)

  1. Kiểm định đa cộng tuyến (Multicollinearity): Ma trận hệ số tương quan giữa các biến độc lập đều nhỏ hơn 0.70, hệ số phóng đại phương sai (VIF) đều dưới 3.0, khẳng định mô hình không bị đa cộng tuyến nghiêm trọng.
  2. Kiểm định phương sai sai số thay đổi (White Test): Giá trị $P\text{-value của } Obs \times R^2 = 0.2845 > 0.05$, chấp nhận giả thuyết $H_0$, mô hình có phương sai sai số đồng nhất.
  3. Kiểm định tự tương quan (Breusch-Godfrey Serial Correlation LM Test):
    • Bậc 1: $P\text{-value} = 0.3512 > 0.05$.
    • Bậc 2: $P\text{-value} = 0.4120 > 0.05$.
    • Kết luận: Không tồn tại hiện tượng tự tương quan chuỗi bậc 1 và bậc 2 trong phần dư.

Đổi mới và đóng góp

Các cải tiến kỹ thuật và phát hiện mới

  1. Phát hiện nghịch lý biến NIM tại Sacombank: Khác với kỳ vọng lý thuyết ban đầu và kết luận của Were & Wambua (2014) cho rằng NIM cao đi liền với rủi ro cao, kết quả tại Sacombank chứng minh NIM tác động nghịch chiều ($\beta = -1.6240, p < 0.01$). Điều này phản ánh năng lực tối ưu hóa chi phí huy động vốn và chiến lược dịch chuyển sang bán lẻ phân tán giúp ngân hàng gia tăng biên lãi mà vẫn kiểm soát tốt chất lượng tài sản.
  2. Định lượng tác động của tấm đệm vốn (EQT): Với hệ số $\beta = -0.7421$, khi tỷ lệ vốn tự có trên tổng tài sản tăng 1%, tỷ lệ nợ xấu giảm trung bình 0.45% – 0.74%. Đây là bằng chứng thực nghiệm vững chắc ủng hộ giả thuyết Rủi ro đạo đức (Moral Hazard).
  3. Hiệu quả từ đa dạng hóa thu nhập ngoài lãi (OI): Thu nhập phi tín dụng (dịch vụ thẻ, bảo hiểm bancassurance, thanh toán quốc tế) tăng 1% giúp giảm nợ xấu 0.041% ($p < 0.05$), chứng minh tính đúng đắn của giả thuyết Đa dạng hóa danh mục đầu tư (Louzis et al., 2012).
+---------------------------------------------------------------------------------------------------+
|                        SO SÁNH ĐÓNG GÓP THỰC NGHIỆM VỚI CÁC CÔNG TRÌNH TRƯỚC                      |
+----------------------+--------------------------+-------------------------+-----------------------+
| Chỉ tiêu so sánh     | Võ Thị Quý & Bùi Ngọc    | Nguyễn Thị Hồng Vinh    | Đề tài Sacombank      |
|                      | Toản (2014)              | (2015)                  | (Đặng Ngọc Bảo Thắng) |
+----------------------+--------------------------+-------------------------+-----------------------+
| Mẫu nghiên cứu       | 26 NHTM Việt Nam         | 22 NHTM Việt Nam        | Sacombank (40 quý)    |
| Tác động của EQT     | Không phân tích          | Đồng chiều (không rõ)   | Nghịch chiều rõ rệt   |
|                      |                          |                         | (p = 0.0001***)       |
| Tác động của NIM     | Chưa đưa vào mô hình     | Chưa kiểm định          | Nghịch chiều mạnh     |
|                      |                          |                         | (β = -1.6240***)      |
| Tác động của OI      | Chưa phân tích           | Chưa phân tích          | Nghịch chiều          |
|                      |                          |                         | (β = -0.0412**)       |
| Tác động của GDP     | Nghịch chiều có ý nghĩa  | Nghịch chiều có ý nghĩa | Chưa có ý nghĩa thống |
|                      |                          |                         | kê trong ngắn hạn     |
| Khả năng giải thích  | R² = 42.1%               | R² = 51.6%              | R² = 75.30%           |
+----------------------+--------------------------+-------------------------+-----------------------+

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong quản trị ngân hàng (Use Cases)

+---------------------------------------------------------------------------------------------------+
|                   ỨNG DỤNG THỰC TẾ TRONG HỆ THỐNG QUẢN TRỊ RỦI RO SACOMBANK                       |
+---------------------------------------------------------------------------------------------------+
| 1. Hệ thống Cảnh báo Sớm Rủi ro Tín dụng (Early Warning System - EWS):                            |
|    - Thiết lập ngưỡng cảnh báo khi EQT giảm xuống dưới 8.0% hoặc LIQ giảm dưới 10.0%.             |
|    - Tự động kích hoạt cơ chế tái thẩm định danh mục tín dụng trung - dài hạn.                    |
+---------------------------------------------------------------------------------------------------+
| 2. Quản trị Tài sản Có - Tài sản Nợ (Asset Liability Management - ALM):                           |
|    - Cân đối tỷ trọng tài sản thanh khoản cao (tiền mặt, tiền gửi NHNN, trái phiếu chính phủ).    |
|    - Tối ưu hóa chi phí vốn đầu vào nhằm duy trì tỷ lệ NIM mục tiêu trên 2.5%/năm.                |
+---------------------------------------------------------------------------------------------------+
| 3. Chuyển dịch Cơ cấu Doanh thu Phi Tín dụng:                                                    |
|    - Đẩy mạnh thu phí dịch vụ ngân hàng số, thanh toán quốc tế và kiều hối (Sacombank-SBR).       |
|    - Tăng tỷ trọng OI trong tổng thu nhập thuần hoạt động lên mức trên 30%.                       |
+---------------------------------------------------------------------------------------------------+

Lộ trình triển khai khuyến nghị (Implementation Roadmap)

+---------------------------------------------------------------------------------------------------+
|                            LỘ TRÌNH TRIỂN KHAI HÀM Ý QUẢN TRỊ 2018 - 2020                         |
+-----------------------+----------------------------------------------------+----------------------+
| Giai đoạn             | Hoạt động trọng tâm                                | Chỉ số mục tiêu      |
+-----------------------+----------------------------------------------------+----------------------+
| Giai đoạn 1           | * Đẩy mạnh xử lý nợ xấu tồn đọng sau M&A           | NPL nội bảng < 3.0%  |
| (6 tháng đầu)         | * Tái cơ cấu trái phiếu đặc biệt VAMC              | Xử lý > 15.000 tỷ nợ |
|                       | * Nâng cao năng lực mô hình chấm điểm tín dụng     | tồn đọng             |
+-----------------------+----------------------------------------------------+----------------------+
| Giai đoạn 2           | * Tăng vốn cấp 1, củng cố tỷ lệ an toàn vốn (EQT)  | EQT duy trì > 9.5%   |
| (6 - 18 tháng)        | * Phân tán danh mục cho vay bán lẻ (tỷ trọng < 5%  | CAR theo Basel II    |
|                       |   cho 1 ngành/lĩnh vực rủi ro)                     | đạt > 9.0%           |
+-----------------------+----------------------------------------------------+----------------------+
| Giai đoạn 3           | * Nâng cấp số hóa toàn diện quy trình cấp tín dụng | Tỷ trọng OI > 30%    |
| (18 - 36 tháng)       | * Tăng trưởng dịch vụ phi tín dụng, bảo hiểm số    | NIM đạt > 2.8%       |
+-----------------------+----------------------------------------------------+----------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật nhìn nhận thẳng thắn

  • Giới hạn cỡ mẫu thời gian: Nghiên cứu sử dụng 40 quan sát quý ($N=40$). Mặc dù thỏa mãn điều kiện ước lượng OLS tiêu chuẩn, cỡ mẫu có thể được mở rộng lên khung chuỗi thời gian dài hơn để áp dụng các mô hình phi tuyến.
  • Tính khái quát đơn lẻ: Mô hình chỉ tập trung duy nhất tại Sacombank nên các đặc thù về M&A Southern Bank có thể tạo ra độ nhiễu riêng biệt, khó áp dụng nguyên mẫu cho các ngân hàng ngoại khối.
  • Biến vĩ mô hạn chế: Mô hình mới kiểm định biến tốc độ tăng trưởng GDP, chưa đưa thêm các biến vĩ mô quan trọng khác như tỷ lệ lạm phát (CPI), lãi suất tái cấp vốn NHNN, hoặc tỷ giá hối đoái VND/USD.

Hướng phát triển và khuyến nghị học thuật

  • Mở rộng mô hình kinh tế lượng nâng cao: Ứng dụng mô hình Tự hồi quy phân phối trễ (Autoregressive Distributed Lag - ARDL) hoặc Mô hình hiệu chỉnh sai số dạng Vector (VECM) nhằm phân tách rõ tác động ngắn hạn và cân bằng dài hạn của các cú sốc thanh khoản đến nợ xấu.
  • Tích hợp thuật toán Học máy (Machine Learning): Kết hợp dữ liệu tài chính vĩ mô với các thuật toán phân loại rủi ro vỡ nợ khách hàng cá nhân (như Logistic Regression, XGBoost, Random Forest) trên nền tảng Big Data của hệ thống ngân hàng số.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------------------+
|                                 LỢI ÍCH ĐỊNH LƯỢNG CHO CÁC NHÓM ĐỐI TƯỢNG                         |
+-----------------------+---------------------------------------------------------------------------+
| Nhóm đối tượng        | Giá trị thực tiễn mang lại                                                |
+-----------------------+---------------------------------------------------------------------------+
| Sinh viên & Học viên  | Cung cấp case study thực chứng hoàn chỉnh về phân tích tài chính ngân     |
| chuyên ngành          | hàng, kỹ năng xử lý BCTC theo quý và phương pháp kiểm định EViews chuẩn. |
+-----------------------+---------------------------------------------------------------------------+
| Chuyên viên Quản trị  | Khung tham chiếu lượng hóa độ nhạy giữa hệ số EQT, LIQ, NIM với tỷ lệ nợ |
| rủi ro (Risk Officers)| xấu, hỗ trợ xây dựng chính sách trần hạn mức tín dụng an toàn.            |
+-----------------------+---------------------------------------------------------------------------+
| Ban Điều hành NHTM    | Luận cứ khoa học để hoạch định chiến lược đa dạng hóa doanh thu phi tín   |
| (Bank Executives)     | dụng và tái cấu trúc nguồn vốn bền vững sau M&A.                          |
+-----------------------+---------------------------------------------------------------------------+
| Cơ quan Giám sát      | Bằng chứng thực nghiệm giúp hoàn thiện chính sách giám sát an toàn vi mô  |
| (NHNN Việt Nam)       | và lộ trình triển khai chuẩn mực vốn Basel II/Basel III.                   |
+-----------------------+---------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu để tái lập mô hình hồi quy này là gì?

Cần máy trạm cài đặt phần mềm EViews (từ phiên bản 8.0 trở lên) hoặc môi trường Python (thư viện pandas, statsmodels). Dữ liệu đầu vào bao gồm 40 quý BCTC hợp nhất kiểm toán của ngân hàng (chỉ tiêu: Nợ xấu nhóm 3–5, Tổng dư nợ, Vốn CSH, Tổng tài sản, Tài sản thanh khoản, Thu nhập lãi thuần, Thu nhập ngoài lãi) và số liệu tăng trưởng GDP quý từ Tổng cục Thống kê.

2. Tại sao biến GDP và ROE không có ý nghĩa thống kê trong mô hình Sacombank?

Trong giai đoạn 2008 – 2017, nợ xấu tại Sacombank chịu tác động chi phối chủ đạo từ các yếu tố tái cấu trúc nội tại (sáp nhập Southern Bank năm 2015, xử lý nợ qua VAMC) và sự biến động mạnh của lãi suất huy động trong nước, khiến độ trễ tác động của tăng trưởng GDP và tỷ suất ROE bị làm mờ trong chuỗi dữ liệu 40 quý.

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

Mô hình có thể được cấu hình thành một Module phân tích rủi ro độc lập (Analytics Layer), kết nối với cơ sở dữ liệu Core Banking (như Temenos T24) qua giao thức API an toàn. Module này định kỳ trích xuất các chỉ số EQT, LIQ, NIM theo tháng/quý để tự động tính toán chỉ số rủi ro tín dụng dự phóng.

4. Chi phí duy trì và yêu cầu nhân sự vận hành mô hình là bao nhiêu?

Chi phí vận hành rất thấp vì sử dụng trực tiếp nguồn dữ liệu BCTC định kỳ sẵn có. Đội ngũ chỉ cần 01 chuyên viên phân tích định lượng (Quantitative Risk Analyst) am hiểu kinh tế lượng và nghiệp vụ quản trị rủi ro tín dụng để cập nhật dữ liệu và tái ước lượng mô hình định kỳ hàng quý.

5. Lợi ích kinh tế (ROI) của việc áp dụng mô hình kiểm soát nợ xấu này là gì?

Việc kiểm soát và giảm thiểu tỷ lệ nợ xấu chỉ cần 0.5% trên quy mô tổng dư nợ hơn 220.000 tỷ đồng của Sacombank sẽ giúp ngân hàng tiết kiệm hàng nghìn tỷ đồng chi phí trích lập dự phòng rủi ro tín dụng, đồng thời giải phóng nguồn vốn ứ đọng để tái đầu tư sinh lời.

Kết luận

Công trình khóa luận tốt nghiệp của tác giả Đặng Ngọc Bảo Thắng đã giải quyết trọn vẹn bài toán xác định và định lượng các nhân tố tác động đến tỷ lệ nợ xấu tại Ngân hàng TMCP Sài Gòn Thương Tín (Sacombank) trong giai đoạn đầy biến động 2008 – 2017. Bằng phương pháp nghiên cứu định lượng chặt chẽ với mô hình Pooled OLS trên EViews 8.0, đề tài đã chứng minh năng lực giải thích vượt trội ($R^2 = 75.3%$), xác lập mối quan hệ nghịch biến vững chắc của tỷ lệ vốn chủ sở hữu (EQT), tính thanh khoản (LIQ), biên lãi thuần (NIM) và thu nhập ngoài lãi (OI) đối với tỷ lệ nợ xấu. Các phát hiện này là cơ sở khoa học và thực tiễn vững chắc giúp các nhà quản trị ngân hàng chủ động điều chỉnh chính sách tín dụng, tối ưu hóa cấu trúc vốn, đẩy mạnh dịch vụ tài chính số và củng cố an toàn thanh khoản trong kỷ nguyên hội nhập tài chính quốc tế.