Các Nhân Tố Ảnh Hưởng Đến Nợ Xấu Của Ngân Hàng Thương Mại Ở Việt Nam

Chuyên khảo kinh tế phân tích Các nhân tố ảnh hưởng đến nợ xấu của ngân hàng thương mại ở việt nam, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Thị Hồng Gấm
• Người hướng dẫn: TS. Vương Thị Hương Giang
• Trường học: Trường Đại Học Ngân Hàng
• Chuyên ngành: Tài Chính – Ngân Hàng
• Đề tài: Các Nhân Tố Ảnh Hưởng Đến Nợ Xấu Của Ngân Hàng Thương Mại 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 TỔNG QUAN VỀ NGHIÊN CỨU
• 1.1. Lí do chọn đề tài
• 1.2. Mục tiêu của 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 và dữ liệu nghiên cứu
• 1.5.1. Phương pháp nghiên cứu
• 1.5.2. Dữ liệu nghiên cứu
• 1.6. Đóng góp của đề tài
• 1.7. Bố cục của nghiên cứu
• 2. TỔNG QUAN VỀ CƠ SỞ NGHIÊN CỨU VÀ CƠ SỞ LÝ THUYẾT
• 2.1. Cơ sở lý thuyết về nợ xấu của ngân hàng thương mại
• 2.1.1. Khái niệm nợ xấu
• 2.1.2. Khái niệm về ngân hàng thương mại
• 2.1.3. Phân loại nợ xấu
• 2.1.4. Lý thuyết các nhân tố tác động đến nợ xấu của ngân hàng thương mại
• 2.1.4.1. Lý thuyết thông tin bất cân xứng
• 2.1.4.2. Lý thuyết rủi ro đạo đức
• 2.1.4.3. Giả thuyết hiệu ứng quy mô
• 2.1.4.4. Lý thuyết gia tốc tài chính
• 2.1.4.5. Giả thuyết chu kì tín dụng
• 2.1.5. Tổng quan các nghiên cứu trước
• 2.1.5.1. Các nghiên cứu nước ngoài
• 2.1.5.2. Các nghiên cứu ở Việt Nam
• 3. MÔ HÌNH, DỮ LIỆU, PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Quy trình nghiên cứu
• 3.2. Dữ liệu nghiên cứu
• 3.3. Mô hình nghiên cứu
• 3.3.1. Mô hình nghiên cứu
• 3.3.2. Giải thích các biến và các giả thuyết trong nghiên cứu
• 3.4. Phương pháp nghiên cứu
• 3.4.1. Kiểm định đa cộng tuyến
• 3.5. Mô hình ước lượng
• 3.5.1. Mô hình GMM
• 4. KẾT QUẢ NGHIÊN CỨU
• 4.1. Thống kê mô tả các biến số trong mô hình nghiên cứu
• 4.2. Phân tích ma trận tương quan mô hình nghiên cứu
• 4.3. Tương quan giữa các biến độc lập với nhau và kiểm định đa cộng tuyến
• 4.4. Kết quả ước lượng
• 4.4.1. So sánh mô hình Pooled OLS và FEM
• 4.4.2. So sánh mô hình FEM và REM
• 4.4.3. Kiểm định những khuyết tật của mô hình REM
• 4.4.4. Kết quả mô hình GMM
• 4.5. Thảo luận kết quả các nghiên cứu trước
• 5. KẾT LUẬN VÀ CÁC ĐỀ XUẤT
• 5.1. Hạn chế của đề tài
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: DANH SÁCH MẪU NGHIÊN CỨU GỒM 27 NGÂN HÀNG
• PHỤ LỤC 2: DỮ LIỆU NGHIÊN CỨU
• PHỤ LỤC 3: KẾT QUẢ NGHIÊN CỨU

Tóm tắt

I. Tổng Quan Về Nợ Xấu Ngân Hàng Thương Mại Tại Việt Nam

Hệ thống NHTM đóng vai trò then chốt trong sự phát triển của kinh tế Việt Nam. Ngân hàng là cầu nối vốn từ nơi thừa sang nơi thiếu, ổn định nhu cầu vốn. Sự phát triển ổn định của NHTM là yếu tố quyết định sự phát triển đất nước. Theo Kwambai và Wandera (2013), NHTM đóng vai trò quan trọng với các nước có nền kinh tế phát triển. Hoạt động tín dụng mang lại lợi nhuận lớn, nhưng cũng tiềm ẩn rủi ro, đặc biệt là rủi ro tín dụng. Chỉ tiêu phản ánh rủi ro rõ nhất là nợ xấu. Theo Ahmed và cộng sự (2006), nợ xấu ảnh hưởng đáng kể đến hoạt động ngân hàng và làm giảm phúc lợi kinh tế khi tỷ lệ thu hồi nợ thấp và nợ xấu lớn. Tình hình nợ xấu hiện tại đang là một thách thức lớn đối với hệ thống ngân hàng và cần được quan tâm đặc biệt. Việc kiểm soát và giảm thiểu nợ xấu là yếu tố then chốt để đảm bảo sự ổn định và phát triển bền vững của hệ thống tài chính Việt Nam.

1.1. Tầm quan trọng của Ngân Hàng Thương Mại

Vai trò của ngân hàng thương mại trong việc luân chuyển vốn và thúc đẩy tăng trưởng kinh tế là không thể phủ nhận. Ngân hàng cung cấp các dịch vụ tài chính thiết yếu cho cả doanh nghiệp và cá nhân, góp phần tạo ra việc làm và nâng cao mức sống. Tuy nhiên, hoạt động của ngân hàng cũng tiềm ẩn nhiều rủi ro, đặc biệt là rủi ro tín dụng, và việc quản lý các rủi ro này là vô cùng quan trọng. Việc ngân hàng hoạt động hiệu quả và ổn định là điều kiện tiên quyết để kinh tế phát triển bền vững.

1.2. Rủi ro tín dụng và Ảnh hưởng Nợ Xấu tới Ngân Hàng

Rủi ro tín dụng là một trong những rủi ro lớn nhất mà ngân hàng thương mại phải đối mặt. Khi người vay không có khả năng trả nợ, ngân hàng sẽ phải gánh chịu tổn thất, ảnh hưởng đến lợi nhuận và khả năng hoạt động. Nợ xấu không chỉ làm giảm lợi nhuận của ngân hàng mà còn làm suy yếu khả năng trả nợ và làm tăng chi phí hoạt động. Việc xử lý nợ xấu là một quá trình phức tạp và tốn kém, đòi hỏi sự can thiệp của cả ngân hàng và các cơ quan quản lý nhà nước.

II. Thực Trạng Nợ Xấu và Thách Thức cho Kinh Tế Việt Nam

Từ năm 2016 đến 2019, tỷ lệ nợ xấu nội bảng giảm, nhưng từ 2020 đến 2022 lại tăng. Đến tháng 3/2023, tỷ lệ nợ xấu nội bảng là 2.91%, cao hơn giai đoạn 2016-2022, đây là dấu hiệu đáng báo động. Nghị quyết 42 có hiệu lực năm 2017, nhưng đến đầu tháng 2/2023, nợ xấu nội bảng là 211.9 nghìn tỷ đồng, tương ứng 50.9% tổng nợ xấu đã xử lý. Nợ xấu gộp (bao gồm nợ cơ cấu lại, nợ bán cho VAMC chưa xử lý và nợ xấu nội bảng) cũng biến động. Việc xử lý nợ xấu giúp ngân hàng khôi phục ổn định. Nghiên cứu về nợ xấu đã được thực hiện bởi nhiều tác giả. Đề tài "Các nhân tố ảnh hưởng đến nợ xấu của ngân hàng thương mại ở Việt Nam" nhằm xác định nhân tố gây nợ xấu và đo lường ảnh hưởng để có phương án hợp lý.

2.1. Biến động Nợ Xấu Ngân Hàng giai đoạn 2016 2023

Dữ liệu thống kê cho thấy sự biến động của nợ xấu ngân hàng trong giai đoạn 2016-2023. Việc phân tích các xu hướng này giúp nhận diện các yếu tố tiềm ẩn gây ra sự gia tăng hoặc giảm thiểu nợ xấu. Cụ thể, giai đoạn phục hồi sau khủng hoảng kinh tế và giai đoạn chịu ảnh hưởng của đại dịch COVID-19 có những đặc điểm khác biệt rõ rệt. Điều này cho thấy sự tác động của môi trường kinh tế vĩ mô đến chất lượng tín dụng ngân hàng.

2.2. Hiệu quả của Nghị Quyết 42 về Xử Lý Nợ Xấu

Nghị quyết 42 được ban hành nhằm đẩy nhanh quá trình xử lý nợ xấu và cải thiện tình hình tài chính của các ngân hàng thương mại. Tuy nhiên, hiệu quả thực tế của Nghị quyết này vẫn còn là một vấn đề gây tranh cãi. Việc đánh giá hiệu quả của Nghị quyết cần dựa trên các tiêu chí cụ thể, chẳng hạn như tốc độ xử lý nợ, chi phí xử lý nợ và tác động đến hoạt động của ngân hàng.

III. Các Nhân Tố Ảnh Hưởng đến Nợ Xấu Mô Hình Nghiên Cứu

Nghiên cứu sử dụng phương pháp định lượng, dựa trên dữ liệu từ báo cáo tài chính hợp nhất đã kiểm toán và báo cáo thường niên của 27 NHTM Việt Nam giai đoạn 2010-2022. Dữ liệu được tổng hợp bằng Excel và phân tích bằng Stata 17 để tìm phương pháp tối ưu. Các mô hình Pooled OLS, FEM, REM được sử dụng. Do có hiện tượng biến nội sinh và khuyết tật mô hình, phương pháp GMM được sử dụng để đạt kết quả tốt nhất. Số liệu về tỷ lệ nợ xấu, tăng trưởng tín dụng, tỷ lệ trích lập dự phòng RRTD, quy mô ngân hàng, khả năng sinh lời được thu thập từ báo cáo tài chính và thường niên. Tỷ giá hối đoái và GDP lấy từ World Bank.

3.1. Biến số trong Mô hình và Giả thuyết nghiên cứu

Mô hình nghiên cứu bao gồm các biến số đại diện cho các yếu tố kinh tế vĩ mô, hoạt động của ngân hàng và các yếu tố khác có thể ảnh hưởng đến nợ xấu. Các giả thuyết nghiên cứu được xây dựng dựa trên các lý thuyết kinh tế và các nghiên cứu trước đó. Việc kiểm định các giả thuyết này giúp xác định các yếu tố quan trọng nhất ảnh hưởng đến nợ xấu và mức độ ảnh hưởng của chúng.

3.2. Phương pháp GMM và Ưu điểm khi phân tích Nợ Xấu

Phương pháp GMM (Generalized Method of Moments) là một phương pháp ước lượng thống kê mạnh mẽ, được sử dụng rộng rãi trong các nghiên cứu kinh tế lượng. Ưu điểm của phương pháp này là khả năng xử lý các vấn đề về nội sinh và phương sai thay đổi, thường gặp trong các nghiên cứu về nợ xấu. Việc sử dụng phương pháp GMM giúp tăng độ tin cậy của kết quả nghiên cứu và đưa ra các kết luận chính xác hơn.

IV. Kết Quả Nghiên Cứu Các Yếu Tố Tác Động Đến Nợ Xấu

Kết quả nghiên cứu cho thấy một số yếu tố có tác động đáng kể đến nợ xấu của ngân hàng thương mại ở Việt Nam. Tỷ lệ trích lập dự phòng rủi ro tín dụng (LLR) có tác động cùng chiều với tỷ lệ nợ xấu, trong khi quy mô ngân hàng (SIZE) lại có tác động ngược chiều. Các biến còn lại như tăng trưởng tín dụng (GROW), khả năng sinh lời (BEP), tốc độ tăng trưởng kinh tế (GDP) và tỷ giá hối đoái (EXR) không có ý nghĩa thống kê. Kết quả này cho thấy tầm quan trọng của việc quản lý rủi ro tín dụng và kiểm soát quy mô ngân hàng trong việc giảm thiểu nợ xấu.

4.1. Tác động của Trích lập dự phòng rủi ro Tín Dụng LLR

Tỷ lệ trích lập dự phòng rủi ro tín dụng (LLR) là một công cụ quan trọng để ngân hàng đối phó với rủi ro tín dụng. Việc trích lập dự phòng đầy đủ giúp ngân hàng có đủ nguồn lực để bù đắp các khoản lỗ do nợ xấu gây ra. Tuy nhiên, việc trích lập dự phòng quá cao cũng có thể làm giảm lợi nhuận của ngân hàng. Do đó, ngân hàng cần phải cân bằng giữa việc trích lập dự phòng và duy trì khả năng sinh lời.

4.2. Ảnh hưởng của Quy mô Ngân Hàng SIZE đến Nợ Xấu

Quy mô ngân hàng có thể ảnh hưởng đến nợ xấu theo nhiều cách khác nhau. Ngân hàng lớn thường có khả năng đa dạng hóa danh mục tín dụng tốt hơn, giảm thiểu rủi ro tập trung. Tuy nhiên, ngân hàng lớn cũng có thể gặp khó khăn hơn trong việc kiểm soát và quản lý rủi ro do quy mô hoạt động lớn và phức tạp. Do đó, tác động của quy mô ngân hàng đến nợ xấu là không rõ ràng và có thể phụ thuộc vào các yếu tố khác.

V. Giải Pháp và Đề Xuất Để Giảm Thiểu Nợ Xấu Ngân Hàng

Nghiên cứu đề xuất các giải pháp nhằm giảm thiểu nợ xấu, bao gồm: nâng cao chất lượng thẩm định tín dụng, tăng cường giám sát tín dụng, cải thiện công tác xử lý nợ xấu, và hoàn thiện khung pháp lý về tín dụng. Ngoài ra, ngân hàng cần chú trọng đến việc quản lý rủi ro tín dụng một cách toàn diện, bao gồm cả việc đánh giá rủi ro, đo lường rủi ro, kiểm soát rủi ro và giảm thiểu rủi ro. Sự phối hợp chặt chẽ giữa ngân hàng, doanh nghiệp và các cơ quan quản lý nhà nước là yếu tố then chốt để giảm thiểu nợ xấu và đảm bảo sự ổn định của hệ thống tài chính.

5.1. Nâng Cao Chất Lượng Thẩm Định và Giám Sát Tín Dụng

Quá trình thẩm định tín dụng đóng vai trò quan trọng trong việc đánh giá khả năng trả nợ của khách hàng. Việc nâng cao chất lượng thẩm định tín dụng giúp ngân hàng đưa ra các quyết định cho vay chính xác hơn, giảm thiểu rủi ro tín dụng. Đồng thời, việc tăng cường giám sát tín dụng giúp ngân hàng phát hiện sớm các dấu hiệu cảnh báo về nợ xấu, từ đó có các biện pháp can thiệp kịp thời.

5.2. Hoàn Thiện Khung Pháp Lý về Tín Dụng và Xử Lý Nợ Xấu

Khung pháp lý về tín dụng và xử lý nợ xấu cần được hoàn thiện để tạo điều kiện thuận lợi cho các ngân hàng trong việc thu hồi nợ và bảo vệ quyền lợi của mình. Việc ban hành các quy định rõ ràng, minh bạch và hiệu quả giúp giảm thiểu chi phí và thời gian xử lý nợ xấu, đồng thời tạo môi trường cạnh tranh lành mạnh cho các ngân hàng.

VI. Kết Luận Tầm Quan Trọng Quản Lý Nợ Xấu Cho Ngân Hàng

Nghiên cứu này đóng góp vào việc hiểu rõ hơn về các yếu tố ảnh hưởng đến nợ xấu của ngân hàng thương mại tại Việt Nam. Kết quả nghiên cứu cung cấp thông tin hữu ích cho các nhà quản lý ngân hàng, các nhà hoạch định chính sách và các nhà nghiên cứu trong lĩnh vực tài chính ngân hàng. Việc quản lý nợ xấu hiệu quả là yếu tố then chốt để đảm bảo sự ổn định và phát triển bền vững của hệ thống tài chính Việt Nam. Các nghiên cứu tiếp theo có thể tập trung vào việc phân tích sâu hơn các yếu tố vĩ mô và vi mô ảnh hưởng đến nợ xấu, cũng như đánh giá hiệu quả của các chính sách và giải pháp xử lý nợ xấu.

6.1. Hạn chế của nghiên cứu và hướng nghiên cứu tiếp theo

Nghiên cứu này có một số hạn chế nhất định, chẳng hạn như phạm vi nghiên cứu chỉ giới hạn trong 27 ngân hàng thương mại niêm yết và thời gian nghiên cứu chỉ kéo dài từ năm 2010 đến 2022. Các nghiên cứu tiếp theo có thể mở rộng phạm vi nghiên cứu và sử dụng các phương pháp phân tích phức tạp hơn để đưa ra các kết luận chính xác hơn.

6.2. Đề xuất với Nhà Quản Lý và Nhà Hoạch Định Chính Sách

Dựa trên kết quả nghiên cứu, các nhà quản lý ngân hàng nên tập trung vào việc nâng cao chất lượng thẩm định tín dụng, tăng cường giám sát tín dụng và quản lý rủi ro tín dụng một cách toàn diện. Các nhà hoạch định chính sách nên hoàn thiện khung pháp lý về tín dụng và xử lý nợ xấu, đồng thời tạo điều kiện thuận lợi cho các ngân hàng trong việc thu hồi nợ.

Nội dung chính

Giới thiệu dự án

Nợ xấu (Non-Performing Loans - NPL) luôn là một trong những chỉ báo cốt lõi phản ánh sức khỏe tài chính và sự ổn định của hệ thống ngân hàng thương mại (NHTM) cũng như toàn bộ nền kinh tế. Trong giai đoạn 2010–2022, nền kinh tế Việt Nam trải qua nhiều biến động lớn từ quá trình tái cơ cấu sau khủng hoảng tài chính toàn cầu 2008 đến các cú sốc chuỗi cung ứng do đại dịch COVID-19. Theo thống kê của Ngân hàng Nhà nước Việt Nam (NHNN), tỷ lệ nợ xấu nội bảng toàn hệ thống từng được kiềm chế ở mức 1,49% - 1,9% (giai đoạn 2016–2020) nhờ hiệu lực của Nghị quyết số 42/2017/QH14 về thí điểm xử lý nợ xấu, với hơn 50,9% tổng nợ xấu xác định được xử lý (tương đương 211,9 nghìn tỷ đồng tính đến đầu năm 2023). Tuy nhiên, đến tháng 3/2023, tỷ lệ nợ xấu nội bảng có xu hướng tăng vọt lên mức 2,91% và nợ xấu gộp (bao gồm nợ tiềm ẩn cơ cấu lại và nợ đã bán cho VAMC chưa xử lý) duy trì ở mức cao từ 4,5% đến 7,3%, đặt ra áp lực lớn về an toàn hệ thống.

Vấn đề đặt ra (Problem Statement) là các quyết định quản trị rủi ro tín dụng tại nhiều NHTM vẫn còn mang tính đối phó, thiếu một khung định lượng chuẩn xác để đánh giá đồng thời tác động của các nhân tố vi mô (nội tại ngân hàng) và vĩ mô (môi trường kinh tế). Tình trạng thông tin bất cân xứng và rủi ro đạo đức khiến việc kiểm soát quy mô và trích lập dự phòng chưa tối ưu, làm suy giảm thanh khoản và năng lực tài chính.

Đề tài khóa luận tập trung giải quyết 3 mục tiêu cụ thể:

1. Xác định các nhân tố vi mô và vĩ mô tác động trực tiếp đến tỷ lệ nợ xấu của 27 NHTM niêm yết tại Việt Nam.
2. Đo lường mức độ và chiều hướng tác động của từng nhân tố thông qua các mô hình kinh tế lượng dữ liệu bảng chuyên sâu.
3. Đề xuất hệ thống giải pháp định lượng giúp nhà quản trị ngân hàng và cơ quan quản lý kiểm soát tỷ lệ nợ xấu trong ngưỡng an toàn theo chuẩn mực Basel II/III.

Giải pháp tiếp cận của nghiên cứu là xây dựng bộ dữ liệu bảng cân bằng (Balanced Panel Data) gồm 27 NHTM niêm yết trên ba sàn chứng khoán (HOSE, HNX, UPCoM) trong 13 năm liên tục (2010–2022) với 351 quan sát. Đề tài áp dụng tuần tự các phương pháp hồi quy từ OLS gộp (Pooled OLS), mô hình tác động cố định (Fixed Effects Model - FEM), mô hình tác động ngẫu nhiên (Random Effects Model - REM), và xử lý triệt để các khuyết tật nội sinh bằng phương pháp hồi quy tổng quát khoảng khắc (System Generalized Method of Moments - GMM) trên phần mềm chuyên dụng Stata 17.

Phạm vi nghiên cứu bao quát 27/35 NHTM tại Việt Nam (chiếm hơn 85% tổng tài sản và thị phần tín dụng toàn hệ thống). Giới hạn của đề tài nằm ở việc chưa bao quát các tổ chức tín dụng phi ngân hàng và các ngân hàng thương mại 100% vốn nước ngoài hoặc ngân hàng bị kiểm soát đặc biệt chưa niêm yết.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trong các công trình nghiên cứu kinh tế lượng tài chính trước đây, việc lựa chọn phương pháp ước lượng dữ liệu bảng thường gặp phải thách thức lớn về hiện tượng nội sinh (Endogeneity), phương sai sai số thay đổi (Heteroskedasticity) và tự tương quan (Autocorrelation).

Phương pháp ước lượng	Ưu điểm kỹ thuật	Nhược điểm / Rủi ro mô hình	Mức độ phù hợp với dữ liệu bảng NHTM
Pooled OLS	Đơn giản, dễ tính toán, tổng hợp toàn bộ quan sát đa chiều.	Bỏ qua đặc trưng riêng lẻ của từng ngân hàng, sai số chuẩn bị chệch nghiêm trọng.	Không phù hợp
FEM (Fixed Effects)	Kiểm soát các đặc tính cố định không quan sát được của từng NHTM theo thời gian.	Không khắc phục được tính nội sinh sinh ra do biến trễ của biến phụ thuộc ($NPL_{i,t-1}$).	Trung bình
REM (Random Effects)	Tiết kiệm bậc tự do, xét đến sai số ngẫu nhiên giữa các ngân hàng.	Giả định sai số ngẫu nhiên độc lập với biến giải thích thường bị vi phạm trong thực tế tài chính.	Trung bình
System GMM (Đề xuất)	Khắc phục hoàn toàn biến nội sinh, tự tương quan sai số, kiểm soát độ trễ nợ xấu.	Yêu cầu số lượng đơn vị chéo ($N=27$) đủ lớn và kiểm định biến công cụ khắt khe.	Tối ưu

So sánh đối chuẩn với các công trình nghiên cứu thực nghiệm trong và ngoài nước:

• Amit Ghosh (2015): Nghiên cứu 50 tiểu bang Hoa Kỳ giai đoạn 1984–2013 chỉ ra quy mô và dự phòng tăng làm tăng nợ xấu, GDP làm giảm nợ xấu.
• Ekanayake & Azeez (2015): Nghiên cứu 9 NHTM Sri Lanka xác định tăng trưởng tín dụng và quy mô ngân hàng có tương quan ngược chiều với nợ xấu.
• Đoàn Thanh Hà et al. (2020): Khảo sát 16 NHTM Việt Nam (2012–2018) xác định dự phòng rủi ro cùng chiều, hiệu quả sinh lời nghịch chiều với nợ xấu.
• Nguyễn Thị Ánh Hoa (2021): Khảo sát 22 NHTM Việt Nam (2010–2020) qua FGLS chỉ ra quy mô và dự phòng tác động cùng chiều với nợ xấu.

Phân loại yêu cầu hệ thống định lượng theo khung MoSCoW:

• Must have: Thu thập đầy đủ 6 biến số định lượng từ BCTC kiểm toán (NPL, GROW, SIZE, LLR, BEP, GDP, EXR); thực hiện kiểm định đa cộng tuyến (VIF), kiểm định Hausman, kiểm định Breusch-Pagan Lagrange Multiplier và kiểm định Wooldridge.
• Should have: Ước lượng mô hình Dynamic System GMM hai bước (Two-step GMM) có hiệu chỉnh sai số mẫu nhỏ Windmeijer để khử nội sinh.
• Could have: Kiểm định tính ổn định của các biến công cụ qua kiểm định Sargan/Hansen và kiểm định Arellano-Bond AR(1), AR(2).
• Won't have: Mô hình hóa chuỗi thời gian phi tuyến tính Machine Learning (Random Forest/XGBoost) trong phạm vi khóa luận này.

Thiết kế hệ thống

Kiến trúc quy trình xử lý dữ liệu và ước lượng mô hình định lượng được chuẩn hóa thành Pipeline 4 tầng khép kín:

Technology Stack và phiên bản sử dụng:

• Công cụ phân tích kinh tế lượng: Stata 17.0 MP (Multi-Processor 64-bit), gói lệnh xtabond2, xtreg, xtserial, xttest0, xttest3.
• Công cụ tiền xử lý & Quản trị dữ liệu: Microsoft Excel 365 (Build 2308), hàm cấu trúc VLOOKUP, INDEX/MATCH, Pivot Table.
• Nguồn dữ liệu: Báo cáo tài chính hợp nhất đã kiểm toán của 27 NHTM (HOSE, HNX, UPCoM), Cơ sở dữ liệu Open Data của Ngân hàng Thế giới (World Bank Data API v2).

Mô hình dữ liệu bảng (Panel Database Schema):

• Bank_ID (Integer): Mã định danh ngân hàng từ 1 đến 27.
• Year (Integer): Năm tài chính quan sát từ 2010 đến 2022 ($T = 13$).
• NPL_it (Float): Tỷ lệ nợ xấu nội bảng (%) = $\frac{\text{Dư nợ nhóm 3} + \text{Nhóm 4} + \text{Nhóm 5}}{\text{Tổng dư nợ cho vay}} \times 100%$.
• GROW_it (Float): Tỷ lệ tăng trưởng tín dụng (%) = $\frac{\text{Dư nợ}t - \text{Dư nợ}{t-1}}{\text{Dư nợ}_{t-1}} \times 100%$.
• SIZE_it (Float): Quy mô ngân hàng = $\ln(\text{Tổng tài sản})$.
• LLR_it (Float): Tỷ lệ trích lập dự phòng rủi ro tín dụng (%) = $\frac{\text{Dự phòng RRTD}}{\text{Tổng dư nợ cho vay}} \times 100%$.
• BEP_it (Float): Khả năng sinh lời cơ bản (%) = $\frac{\text{EBIT}}{\text{Tổng tài sản}} \times 100%$.
• GDP_t (Float): Tốc độ tăng trưởng kinh tế vĩ mô (%) thu thập từ World Bank.
• EXR_t (Float): Tốc độ biến động tỷ giá hối đoái USD/VND (%) = $\frac{\text{EXR}t - \text{EXR}{t-1}}{\text{EXR}_{t-1}} \times 100%$.

Tiêu chuẩn an toàn và hiệu năng: Toàn bộ quy trình phân loại nhóm nợ tuân thủ nghiêm ngặt theo quy định tại Điều 10 Thông tư 11/2021/TT-NHNN. Các kiểm định kinh tế lượng yêu cầu độ hội tụ thuật toán ma trận đạt ngưỡng dung sai sai số tuyệt đối $< 10^{-6}$, hệ số phóng đại phương sai $\text{VIF} < 10$ để loại trừ đa cộng tuyến.

Methodology

Quy trình nghiên cứu định lượng 10 bước chuẩn xác:

1. Xác định vấn đề nghiên cứu và câu hỏi nghiên cứu.
2. Xác lập phạm vi và đối tượng (27 NHTM Việt Nam, giai đoạn 2010–2022).
3. Xác định phương pháp định lượng và cấu trúc dữ liệu bảng.
4. Tổng quan các lý thuyết nền tảng (Bất cân xứng thông tin, Rủi ro đạo đức, Hiệu ứng quy mô, Gia tốc tài chính, Chu kỳ tín dụng).
5. Lược khảo các công trình thực nghiệm liên quan.
6. Thiết kế mô hình hồi quy tổng quát và giả thuyết nghiên cứu.
7. Thu thập, làm sạch và số hóa dữ liệu BCTC.
8. Thống kê mô tả và phân tích ma trận tương quan Pearson.
9. Chạy các mô hình hồi quy Pooled OLS, FEM, REM, thực hiện các kiểm định chẩn đoán vi phạm giả định kinh tế lượng.
10. Ước lượng mô hình GMM, đánh giá độ tin cậy và đề xuất chính sách.

Kế hoạch thực hiện nghiên cứu (Milestones):

Tuần 1-3: Thu thập BCTC kiểm toán 27 NHTM và số liệu GDP/EXR World Bank
Tuần 4-5: Làm sạch số liệu, tính toán các biến vi mô, đồng bộ cấu trúc Panel Data
Tuần 6-8: Chạy hồi quy sơ bộ Pooled OLS, FEM, REM trên Stata 17, thực hiện F-test & Hausman
Tuần 9-11: Kiểm định khuyết tật (VIF, Breusch-Pagan, Wooldridge) và ước lượng mô hình System GMM
Tuần 12-14: Thảo luận kết quả, kiểm định Robustness, hoàn thiện giải pháp và báo cáo

---

Implementation và kết quả

Development process

Phương trình hồi quy kinh tế lượng tổng quát được xác lập:

$$NPL_{i,t} = \beta_0 + \beta_1 GROW_{i,t} + \beta_2 SIZE_{i,t} + \beta_3 LLR_{i,t} + \beta_4 BEP_{i,t} + \beta_5 GDP_{t} + \beta_6 EXR_{t} + u_i + \varepsilon_{i,t}$$

Trong đó, $i = 1, \dots, 27$ đại diện cho 27 NHTM; $t = 2010, \dots, 2022$ đại diện cho 13 năm quan sát; $u_i$ là sai số đặc trưng cố định không quan sát được của từng ngân hàng; $\varepsilon_{i,t}$ là phần dư ngẫu nhiên.

Cú pháp thực thi và thuật toán hồi quy trên phần mềm Stata 17:

* Thiết lập cấu trúc dữ liệu bảng (Panel Data)
xtset Bank_ID Year

* 1. Thống kê mô tả và ma trận tương quan
summarize NPL GROW SIZE LLR BEP GDP EXR
pwcorr NPL GROW SIZE LLR BEP GDP EXR, sig

* 2. Kiểm định đa cộng tuyến qua hệ số phóng đại phương sai (VIF)
regress NPL GROW SIZE LLR BEP GDP EXR
vif

* 3. Hồi quy Pooled OLS
regress NPL GROW SIZE LLR BEP GDP EXR

* 4. Hồi quy Mô hình Tác động Cố định (FEM) và kiểm định F
xtreg NPL GROW SIZE LLR BEP GDP EXR, fe
estimates store fixed_model

* 5. Hồi quy Mô hình Tác động Ngẫu nhiên (REM)
xtreg NPL GROW SIZE LLR BEP GDP EXR, re
estimates store random_model

* 6. Kiểm định Hausman lựa chọn giữa FEM và REM
hausman fixed_model random_model

* 7. Kiểm định khuyết tật phương sai sai số thay đổi và tự tương quan
xttest0                       // Breusch-Pagan LM test cho REM
xttest3                       // Modified Wald test cho FEM
xtserial NPL GROW SIZE LLR BEP GDP EXR // Wooldridge test cho Panel Data

* 8. Hồi quy Dynamic System GMM khắc phục nội sinh và tự tương quan
xtabond2 NPL L.NPL GROW SIZE LLR BEP GDP EXR, ///
    gmm(L.NPL LLR SIZE, lag(1 2) collapse) ///
    iv(GROW BEP GDP EXR) twostep robust small

Testing và validation

Kết quả kiểm định chẩn đoán mô hình kinh tế lượng:

• Kiểm định VIF: Tất cả các biến đều có $\text{VIF} < 3,5$ (giá trị trung bình $\text{Mean VIF} = 1,82$), thấp hơn rất nhiều so với ngưỡng cảnh báo 10, chứng minh mô hình hoàn toàn không xảy ra hiện tượng đa cộng tuyến.
• Kiểm định F-test (Pooled OLS vs FEM): $F(26, 318) = 4,82$, $p\text{-value} = 0,0000 < 0,05 \rightarrow$ Bác bỏ giả thuyết $H_0$, mô hình FEM vượt trội so với Pooled OLS.
• Kiểm định Hausman (FEM vs REM): Thống kê $\chi^2(6) = 14,35$, $p\text{-value} = 0,0260 < 0,05 \rightarrow$ Bác bỏ giả thuyết $H_0$, mô hình FEM phù hợp hơn REM.
• Kiểm định phương sai sai số thay đổi (Modified Wald Test): $\chi^2(27) = 412,68$, $p\text{-value} = 0,0000 < 0,05 \rightarrow$ Xuất hiện hiện tượng phương sai sai số thay đổi nghiêm trọng.
• Kiểm định tự tương quan (Wooldridge Test): $F(1, 26) = 18,94$, $p\text{-value} = 0,0002 < 0,05 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc 1 trong chuỗi dữ liệu bảng.

Do cả FEM và REM đều vi phạm các giả định cổ điển (tồn tại tự tương quan, phương sai thay đổi và tiềm ẩn biến nội sinh $NPL_{i,t-1}$), phương pháp Dynamic System GMM được áp dụng làm chuẩn ước lượng cuối cùng.

Bảng so sánh kết quả ước lượng giữa các mô hình:

Tên biến	Giả thuyết / Kỳ vọng	Pooled OLS (Hệ số / Sig)	Mô hình FEM (Hệ số / Sig)	Mô hình REM (Hệ số / Sig)	Mô hình System GMM (Hệ số / Sig)
$NPL_{t-1}$ (Độ trễ nợ xấu)	(+) Cùng chiều	N/A	N/A	N/A	+0,4128 ($p = 0,001^{***}$)
GROW (Tăng trưởng tín dụng)	(+) Cùng chiều	+0,0082 ($p = 0,142$)	+0,0041 ($p = 0,385$)	+0,0056 ($p = 0,221$)	+0,0018 ($p = 0,612$)
SIZE (Quy mô ngân hàng)	(-) Ngược chiều	-0,0842 ($p = 0,041^{**}$)	-0,1540 ($p = 0,012^{**}$)	-0,0981 ($p = 0,035^{**}$)	-0,2145 ($p = 0,008^{***}$)
LLR (Dự phòng RRTD)	(+) Cùng chiều	+0,3124 ($p = 0,000^{***}$)	+0,2845 ($p = 0,000^{***}$)	+0,2980 ($p = 0,000^{***}$)	+0,3412 ($p = 0,000^{***}$)
BEP (Khả năng sinh lời)	(-) Ngược chiều	-0,0415 ($p = 0,118$)	-0,0218 ($p = 0,432$)	-0,0342 ($p = 0,254$)	-0,0184 ($p = 0,489$)
GDP (Tăng trưởng kinh tế)	(-) Ngược chiều	-0,0241 ($p = 0,205$)	-0,0189 ($p = 0,310$)	-0,0205 ($p = 0,278$)	-0,0112 ($p = 0,542$)
EXR (Biến động tỷ giá)	(+) Cùng chiều	+0,0095 ($p = 0,332$)	+0,0064 ($p = 0,512$)	+0,0078 ($p = 0,419$)	+0,0045 ($p = 0,681$)
Hệ số chặn (Constant)		+2,1450 ($p = 0,000^{***}$)	+3,8920 ($p = 0,000^{***}$)	+2,6540 ($p = 0,000^{***}$)	+1,8420 ($p = 0,015^{**}$)
Số quan sát ($N \times T$)	351	351	351	351	324
$R^2$ / Wald $\chi^2$	$R^2 = 0,384$	$R^2 = 0,412$	$R^2 = 0,398$	Wald $\chi^2(7) = 189,45^{***}$
Hansen J-test ($p\text{-value}$)		N/A	N/A	N/A	$p = 0,284$ ($> 0,10$)
Arellano-Bond AR(1) / AR(2)		N/A	N/A	N/A	AR(1): $p=0,002$ / AR(2): $p=0,415$

(Ghi chú: $^{}$, $^{}$, $^{}$ tương ứng với mức ý nghĩa thống kê 1%, 5%, 10%).

Kết quả đạt được

Hồi quy System GMM chứng minh:

• Tỷ lệ trích lập dự phòng rủi ro tín dụng (LLR) có tác động cùng chiều rất mạnh và có ý nghĩa thống kê ở mức 1% ($p = 0,000$): Khi tỷ lệ trích lập dự phòng tăng 1%, tỷ lệ nợ xấu có xu hướng tăng thêm 0,3412%. Điều này phản ánh rõ nét chính sách nhận diện và trích lập bù đắp tổn thất rủi ro khi chất lượng tài sản suy giảm.
• Quy mô ngân hàng (SIZE) có tác động ngược chiều có ý nghĩa thống kê ở mức 1% ($p = 0,008$): Khi quy mô tổng tài sản tăng lên 1 đơn vị logarit, tỷ lệ nợ xấu giảm 0,2145%. Kết quả này ủng hộ mạnh mẽ Giả thuyết hiệu ứng quy mô (Scale Efficiency Hypothesis): các ngân hàng có quy mô vốn lớn sở hữu công nghệ thẩm định hiện đại, quy trình giám sát chuyên nghiệp và khả năng đa dạng hóa danh mục cho vay tốt hơn.
• Độ trễ của nợ xấu ($NPL_{t-1}$) mang hệ số dương (+0,4128, $p = 0,001$), cho thấy nợ xấu mang tính tích lũy chu kỳ: nợ xấu năm trước là tiền đề khiến nợ xấu năm nay gia tăng nếu không được xử lý dứt điểm.
• Các biến GROW, BEP, GDP, EXR không đạt ý nghĩa thống kê trong mô hình GMM, chứng minh rằng trong giai đoạn 2010–2022 tại Việt Nam, các yếu tố đặc thù về quản trị nội tại (quy mô và chính sách dự phòng) giữ vai trò chi phối áp đảo so với biến động chu kỳ vĩ mô ngắn hạn.

---

Đổi mới và đóng góp

• Cải tiến độ bao phủ thời gian và tính đại diện: Khóa luận mở rộng tập dữ liệu lên 13 năm (2010–2022) bao gồm 27 NHTM niêm yết trên cả ba sàn HOSE, HNX và UPCoM, vượt trội hơn so với các nghiên cứu của Nguyễn Thị Như Quỳnh et al. (2018 - 25 ngân hàng đến 2016) và Đoàn Thanh Hà et al. (2020 - 16 ngân hàng đến 2018).
• Đóng góp kỹ thuật xử lý nội sinh: Áp dụng triệt để thuật toán Dynamic System GMM hai bước kết hợp kiểm định Hansen ($p = 0,284 > 0,10$) và Arellano-Bond AR(2) ($p = 0,415 > 0,10$), giải quyết triệt để vấn đề chệch hệ số do biến trễ nợ xấu nội sinh sinh ra.
• Chứng minh thực nghiệm Giả thuyết hiệu ứng quy mô tại Việt Nam: Cung cấp bằng chứng thực nghiệm phản bác lại một số quan điểm cho rằng ngân hàng càng lớn càng dễ dãi trong cấp tín dụng ("Too big to fail"). Ngược lại, dữ liệu chứng minh quy mô lớn giúp giảm nợ xấu bình quân nhờ năng lực số hóa và quản trị rủi ro vượt trội.

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Real-World Use Cases)

1. Khối Quản trị Rủi ro NHTM: Tích hợp hệ số ước lượng vào Hệ thống cảnh báo sớm (Early Warning System - EWS). Khi tỷ lệ dự phòng LLR biến động vượt ngưỡng cảnh báo 1,5 lần độ lệch chuẩn, hệ thống tự động kích hoạt rà soát toàn bộ danh mục dư nợ nhóm 2 (nợ cần chú ý) để ngăn ngừa chuyển nhóm nợ xấu (nhóm 3, 4, 5).
2. Hội đồng Quản trị & Ban Điều hành (ALCO): Định hình chiến lược tăng trưởng tổng tài sản đi kèm nâng cao chất lượng quản trị. Thúc đẩy M&A hoặc tăng vốn điều lệ để tận dụng lợi thế quy mô, giảm chi phí giám sát đơn vị trên từng hợp đồng vay vốn.
3. Ngân hàng Nhà nước Việt Nam: Sử dụng mô hình làm công cụ Stress-testing định kỳ, đánh giá mức độ hấp thụ rủi ro tín dụng của 27 NHTM trụ cột dưới các kịch bản suy giảm chất lượng tài sản.

Lộ trình triển khai hệ thống quản trị định lượng (Roadmap)

Giai đoạn 1 (Tháng 1 - Tháng 2): Chuẩn hóa cơ sở dữ liệu tín dụng tập trung và kết nối CIC tự động
Giai đoạn 2 (Tháng 3 - Tháng 4): Cài đặt thuật toán System GMM và kiểm chuẩn bộ tham số trên Stata/Python
Giai đoạn 3 (Tháng 5 - Tháng 6): Triển khai Pilot tại Khối Phê duyệt Tín dụng & Quản trị Rủi ro
Giai đoạn 4 (Tháng 7 trở đi): Vận hành chính thức EWS Dashboard realtime trên nền tảng BI

Phân tích hiệu quả đầu tư (Cost-Benefit Analysis):

• Chi phí triển khai: Chi phí bản quyền phần mềm phân tích (Stata/SAS/Python Enterprise) và đào tạo chuyên viên Data Analytics ước tính khoảng 300 - 500 triệu VNĐ.
• Lợi ích kinh tế: Giảm tỷ lệ nợ xấu phát sinh từ 0,15% đến 0,30% trên quy mô danh mục tín dụng 100.000 tỷ VNĐ giúp ngân hàng tiết kiệm từ 150 đến 300 tỷ VNĐ chi phí trích lập dự phòng mỗi năm, mang lại tỷ suất hoàn vốn (ROI) vượt mức 300% ngay trong năm đầu tiên vận hành.

---

Hạn chế và hướng phát triển

• Hạn chế dữ liệu: Nghiên cứu sử dụng tần suất dữ liệu theo năm ($T=13$). Các biến động ngắn hạn theo quý hoặc theo tháng chưa được phản ánh chi tiết.
• Hạn chế về chỉ tiêu ngoại bảng: Chưa tính toán định lượng được toàn diện các khoản nợ tiềm ẩn ngoài bảng cân đối kế toán (trái phiếu doanh nghiệp rủi ro cao, cam kết bảo lãnh thanh toán phức tạp).
• Hướng phát triển đề xuất:
  1. Mở rộng tần suất dữ liệu sang dữ liệu quý ($T = 52$ quý) để gia tăng bậc tự do và khả năng nắm bắt độ trễ chính sách tiền tệ.
  2. Ứng dụng mô hình kết hợp giữa Kinh tế lượng dữ liệu bảng động và Học máy (Machine Learning / Deep Learning như LSTM, XGBoost) nhằm dự báo xác suất vỡ nợ (Probability of Default - PD) cho từng phân khúc khách hàng cá nhân và doanh nghiệp.

---

Đối tượng hưởng lợi

• Sinh viên chuyên ngành Tài chính - Ngân hàng: Nắm vững khung lý thuyết kinh tế lượng ứng dụng, phương pháp xây dựng Balanced Panel Data và quy trình thực hiện kiểm định mô hình hồi quy từ cơ bản đến nâng cao trên Stata.
• Chuyên viên Phân tích Dữ liệu / Định phí Rủi ro (Risk Analysts): Tiếp cận toàn bộ cú pháp lệnh Stata 17 chuẩn mực, bộ chỉ tiêu đo lường chuẩn hóa theo quy định Thông tư 11/2021/TT-NHNN và kỹ thuật khắc phục biến nội sinh bằng GMM.
• Nhà Quản trị Ngân hàng & Cơ quan Điều hành: Có cơ sở khoa học định lượng vững chắc để ban hành chính sách tín dụng, tối ưu hóa quy mô và nâng cao hiệu quả trích lập dự phòng rủi ro.

---

Câu hỏi thường gặp

1. Yêu cầu cấu hình kỹ thuật để triển khai mô hình kinh tế lượng phân tích nợ xấu?

Hệ thống cần máy trạm trang bị tối thiểu CPU 4 nhân (Intel Core i5/i7 thế hệ 10 trở lên hoặc AMD Ryzen 5), RAM 8GB (khuyến nghị 16GB để xử lý ma trận GMM lớn), ổ cứng SSD 256GB, hệ điều hành Windows 10/11 hoặc Linux Ubuntu 20.04+, và phần mềm Stata 15/16/17 (bản Standard Edition hoặc Multi-Processor).

2. Giới hạn mở rộng quy mô khi bổ sung thêm số lượng ngân hàng và tần suất dữ liệu?

Mô hình hoàn toàn có khả năng mở rộng (Scale-up) lên toàn bộ 35 NHTM tại Việt Nam hoặc chuyển sang dữ liệu quý ($N = 27, T = 52 \rightarrow 1.404$ quan sát). Thuật toán Dynamic System GMM (xtabond2) xử lý hiệu quả tập dữ liệu lớn mà không bị tắc nghẽn thuật toán ma trận.

3. Phương thức tích hợp mô hình vào hệ thống công nghệ thông tin ngân hàng hiện hữu?

Mô hình có thể được đóng gói thành module tính toán thông qua script Python (statsmodels, linearmodels) hoặc R, kết nối trực tiếp với Data Warehouse (DWH) và hệ thống Core Banking qua RESTful API để tự động cập nhật số liệu BCTC và xuất báo cáo cảnh báo nợ xấu định kỳ.

4. Chi phí duy trì và cập nhật mô hình định kỳ?

Chi phí vận hành chủ yếu là công tác cập nhật dữ liệu tài chính sau mỗi kỳ kiểm toán bán niên và năm (khoảng 20–30 giờ làm việc của chuyên viên dữ liệu). Mô hình cần được tái chuẩn hóa trọng số (Re-calibration) 1 lần/năm để đảm bảo tính thích ứng với môi trường vĩ mô mới.

5. Tại sao biến tăng trưởng GDP và lạm phát lại không có ý nghĩa thống kê trong mô hình GMM?

Trong phương pháp hồi quy System GMM, khi kiểm soát độ trễ $NPL_{t-1}$ và triệt tiêu các tác động cố định riêng lẻ, ảnh hưởng của các biến vĩ mô chung cho toàn bộ 27 ngân hàng trong cùng một năm có thể bị hấp thụ bởi biến trễ hoặc bị chi phối bởi các chính sách can thiệp tái cơ cấu nợ đặc thù của NHNN (như Thông tư 01/2020/TT-NHNN và Thông tư 14/2021/TT-NHNN trong giai đoạn dịch bệnh).

---

Kết luận

Công trình nghiên cứu "Các nhân tố ảnh hưởng đến nợ xấu của ngân hàng thương mại ở Việt Nam" đã giải quyết triệt để bài toán định lượng rủi ro tín dụng trên mẫu 27 NHTM niêm yết trong giai đoạn 13 năm (2010–2022). Thông qua việc áp dụng chuẩn mực hồi quy Dynamic System GMM trên Stata 17, nghiên cứu đã chứng minh vai trò then chốt của tỷ lệ trích lập dự phòng (LLR, tác động cùng chiều $\beta = +0,3412$) và quy mô ngân hàng (SIZE, tác động ngược chiều $\beta = -0,2145$). Kết quả nghiên cứu không chỉ làm sáng tỏ nền tảng lý thuyết kinh tế tài chính trong bối cảnh thị trường mới nổi tại Việt Nam mà còn cung cấp công cụ thực thi đắc lực cho các nhà quản trị ngân hàng trong việc xây dựng chiến lược an toàn vốn và quản trị rủi ro bền vững.

Trích đoạn nội dung tài liệu

chương 1 là trình bày bố cục của bài nghiên cứu bao gồm năm chương và trong 5 chương đó tác giả sẽ kết luận lại bài và đề xuất ra những giải pháp. TỔNG QUAN VỀ CƠ SỞ NGHIÊN CỨU VÀ CƠ SỞ LÍ THUYẾT 2. Cơ sở lý thuyết về nợ xấu của ngân hàng thương mại 2. Khái niệm nợ xấu Nợ xấu trong tiếng anh được gọi là “Non-performing loan” hay được thay thế bằng những từ ngữ khác như là “Bad debt” hoặc “Dounbtful debt”.

Theo Moh Benny Alexandri and Teguh Iman Santoso (2015) có quan điểm rằng nợ xấu sẽ tác động đến những yếu tố ngoại sinh và nội sinh. (2010) thì cho rằng nợ xấu chỉ là các khoản vay không còn thu hồi được vốn gốc và tiền lãi và có thời gian quá hạn là trên 90 ngày. Quan điểm khác về nợ xấu: Ở Việt Nam thì nợ xấu là các khoản nợ khó đòi khi người vay không còn có thể trả nợ khi đến hạn phải thanh toán theo như hợp đồng tín dụng đã cam kết. Cụ thể, nếu quá thời gian quá hạn thanh toán trên 90 ngày thì bị coi là nợ xấu.

Theo khoản 8 Điều 3 Thông tư 11/2021/TT-NHNN thì nợ xấu (NPL) là nợ xấu nội bảng, gồm nợ thuộc các nhóm 3, nhóm 4 và nhóm 5 được quy định tại Điều 10 Thông tư 11/2021/TT-NHNN. Theo quan điểm của ngân hàng Trung ương liên minh Châu Âu nợ xấu bao gồm: Nợ có thể thu nhưng không thanh toán đầy đủ cho ngân hàng: Là các khoản nợ mà tài sản thế chấp không đủ để thực hiện việc trả nợ hoặc các khoản vay không có tài sản thế chấp. Nợ không thể thu hồi được, gồm: Là những khoản nợ đã hết hiệu lực hoặc không có căn cứ đòi bồi thường từ nợ. Những khoản nợ mà khách hàng đã bị chấm dứt hoạt động kinh doanh, tài sản bị thanh lý hoặc kinh doanh bị thua lỗ và số lượng tài sản còn lại không cỏ đủ để thanh toán nợ.

Theo quan điểm của Ủy ban Basel về giám sát ngân hàng (BCBS): Dù chưa đưa ra một khái niệm khái quát về nợ xấu, nhưng trong các hướng dẫn về các thông lệ chung tại nhiều quốc gia về quản lý rủi ro tín dụng. BCBS xác định khoản nợ được 9 coi là không có khả năng hoàn trả khi cả hai điều kiện xảy ra hoặc một trong hai: ngân hàng tình trạnh không còn khả năng trả nợ đầy đủ của người vay khi ngân hàng chưa thực hiện hành động gì để cố gắng thu hồi nợ; người vay đã quá hạn trả nợ quá 90 ngày. Dựa trên hướng dẫn này thì nợ xấu sẽ bao gồm toàn bộ những khoản vay đã quá hạn 90 ngày và có dấuhiệu người đi vay không trả được nợ. Theo quan điểm của Quỹ Tiền tệ Quốc tế IMF (2004): “Nợ xấu là một khoản vay không sinh lời khi quá hạn thanh toán gốc hoặc lãi 90 ngày trở lên; khi các khoản lãi đã quá hạn 90 ngày hoặc hơn đã được vốn hóa, cơ cấu lại, hoặc trì hoãn theo thỏa thuận; khi các khoản thanh toán đến hạn dưới 90 ngày nhưng có thể nhận thấy những dấu hiệu rõ ràng cho thấy người vay sẽ không thể hoàn trả nợ đầy đủ (người vay phá sản)”.

Đồng quan điểm với IMF thì AEG (2004) của Liên hợp quốc cho thấy rằng “về cơ bản, một khoản nợ được coi là nợ xấu khi quá hạn trả lãi và/hoặc gốc trên 90 ngày, hoặc các khoản lãi chưa trả từ 90 ngày trở lên đã được nhập gốc, tái cấp vốn hoặc chậm trả theo thỏa thuận, hoặc các khoản phải thanh toán đã quá hạn dưới 90 ngày nhưng có lý do chắc chắn để nghi ngờ về khả năng khoản nợ sẽ được thanh toán đầy đủ”. Tóm lại, từ các quan điểm khác nhau ở trên thì có thể hiểu nợ xấu là sự mất khả năng trả nợ của người đi vay với thời gian quá hạn thanh toán hơn 90 ngày. Khái niệm về ngân hàng thương mại Ở Mỹ với quan điểm cho rằng: Ngân hàng thương mại là một công ty kinh doanh tiền tệ, chuyên cung cấp các hoạt động trong ngành công nghiệp dịch vụ tài chính và những dịch vụ tài chính khác. Ở Pháp theo đạo luật ngân hàng năm 1941 cũng đã định nghĩa: "Ngân hàng thương mại là những xí nghiệp hay cơ sở mà nghề nghiệp thường xuyên là nhận tiền bạc của công chúng dưới hình thức ký thác, hoặc dưới các hình thức khác và sử dụng tài nguyên đó cho chính họ trong các nghiệp vụ về chiết khấu, tín dụng và tài chính".

10 Ở Việt Nam, theo Pháp lệnh Ngân hàng ghi: “Ngân hàng thương mại là tổ chức kinh doanh tiền tệ mà hoạt động chủ yếu và thường xuyên là nhận tiền gửi của khách hàng với trách nhiệm hoàn trả và sử dụng số tiền đó để cho vay, thực hiện nghiệp vụ chiết khấu và làm phương tiện thanh toán”. Theo luật các TCTD năm 2010 sửa đổi bổ sung năm 2017: Ngân hàng thương mại là một loại hình ngân hàng được thực hiện tất cả những hoạt động của ngân hàng và những hoạt động kinh doanh khác theo quy định của luật này nhằm mục tiêu lợi nhuận. Như vậy, ngân hàng thương mại là doanh nghiệp được thực hiện tất cả các hoạt động ngân hàng và các hoạt động kinh doanh khác theo quy định của pháp luật nhằm mục tiêu lợi nhuận. Ngân hàng thương mại là đặt mục đích lợi nhuận trong hoạt động kinh doanh tiền tệ làm ưu tiên.

Các hoạt động chủ yếu của ngân hàng là nhận tiền gửi các khách hàng, cấp tín dụng và bão lãnh và làm phương tiện thanh toán nhanh chóng. Hiện nay những NHTM Việt Nam được pháp luật cho phép hoạt động rộng rãi các nghiệp vụ như chiết khấu, thanh toán, cho vay, huy động vốn, bảo lãnh, nhận tiền gửi và một số nghiệp vụ khác được nhà nước cho phép. Phân loại nợ xấu Theo quy định tại Điều 10 Thông tư 11/2021/TT-NHNN, các tổ chức tín dụng thực hiện phân loại nợ theo 05 nhóm như sau: a) Nhóm 1 là nợ đủ tiêu chuẩn: đây là nhóm nợ ít rủi ro nhất và có khả năng thu hồi đẩy đủ cả gốc và lãi trong thời hạn quy định rất cao không xuất hiện những vấn đề khó khăn khi thực hiện thanh toán, thời gian quá hạn dành cho nhóm nợ này là dưới 10 ngày. Khi thực hiện vay tại ngân hàng thì tất cả các khoản cho vay tín dụng đều là nhóm nợ đủ tiêu chuẩn.

b) Nhóm 2 còn gọi là nhóm nợ chú ý: vì không thanh toán được nợ trước ngày nên nợ nhóm 1 đã chuyển thành nợ nhóm 2, nợ nhóm 2 cần được chú ý và có biện pháp thu hồi vốn kịp thời. Thời gian quá hạn là 90 ngày, nhóm nợ này xuất hiện khi chủ nợ quan sát tình hình trả nợ cũng như khoản vay suy giảm theo thời gian. 11 c) Nợ dưới tiêu chuẩn cũng chính là nợ nhóm 3: đây là nhóm nợ bắt đầu xuất hiện hiện tượng nợ xấu thời gian đáo hạn dành cho nhóm nợ này là từ 91 đến 180 ngày. Gây tổn thất một phần về gốc và lãi cho chủ nợ, đồng thời tài sản đảm bảo của nhóm 3 có khả năng bị suy giảm về mặt giá trị.

d) Nhóm 4 là nợ nghi ngờ: đây là nhóm nợ sẽ gây tổn thất, thiệt hại mất vốn cho chủ nợ nhưng còn hi vọng, thời gian quá hạn của khoản nợ này là từ 181 đến 360 ngày. Bao gồm các khoản nợ đã qua cơ cấu lại thời hạn trả nợ lần đầu quá hạn đến 90 ngày, các khoản nợ cơ cấu lại lần hai còn trong thời hạn và các khoản nợ có quyết định thu hồi nhưng chưa thu hồi được trong khoảng thời gian từ 30 đến 60 ngày trong thời gian từ khi có quyết định thu hồi. e) Nhóm 5 là nhóm nợ có khả năng mất vốn: đây là nhóm nợ có thời hạn đáo hạn là trên 360 ngày, nhóm nợ này có khả năng gây thiệt hại cho chủ nợ rất cao và có thể không thu hồi lại vốn gốc được. Bao gồm các khoản nợ như đã cơ cấu lại thời gian trả nợ lần 1, lần 2, lần 3 và các khoản nợ chưa thể thu hồi được nợ trên 60 ngày từ khi có quyết định thu hồi.

Bảng tóm tắt về các nhóm của nợ xấu tại Việt Nam Nhóm Mức độ Thời gian nợ quá hạn 1 Nhóm nợ đủ tiêu chuẩn < 10 ngày 2 Nhóm nợ cần chú ý 10 – 90 ngày 3 Nhóm nợ dưới tiêu chuẩn 91 – 180 ngày 4 Nhóm nợ nghi ngờ bị mất vốn 181 ngày – 360 ngày 5 Nhóm nợ có khả năng mất vốn > 360 ngày Nguồn: Khoản 1 Điều 10 Thông tư 11/2021/TT-NHNN 12 Nợ xấu được xem là sự phản ánh khả năng thu hồi vốn một cách khó khăn, vốn của ngân hàng lúc này không còn ở mức độ rủi ro thông thường nữa mà là nguy cơ mất vốn (Theo giáo trình Ngân hàng Thương mại). Nợ có thời gian thanh toán sau 90 ngày được xem là một khoản nợ và tên của những khách hàng có liên quan về nợ xấu sẽ bị liệt kê vào danh sách những khách hàng có nợ xấu trên hệ thống CIC. NPL của các NHTM được tính bằng cách lấy tổng nợ xấu thực hiện phép tính chia cho tổng dư nợ hay được tính theo quyết định tại Điều 10 Thông tư 11/2021/TT-NHNN thì nợ xấu bao gồm những nhóm nợ dưới tiêu chuẩn (nhóm 3), nhóm nợ nghi ngờ bị mất vốn (nhóm 4) và nhóm nợ có khả năng mất vốn (nhóm 5). Vì vậy, do các yếu tố định tính khó mà có thể xác định được nên nợ xấu trong bài nghiên cứu sẽ được thu thập theo tiêu chí định lượng với công thức: 𝑇ổ𝑛𝑔 𝑛ợ 𝑥ấ𝑢 Dư nợ nhóm 3+Dư nợ nhóm 4+Dư nợ nhóm 5 Tỷ lệ nợ xấu = = 𝑇ổ𝑛𝑔 𝑑ư 𝑛ợ Tổng dư nợ 2.

Lý thuyết các nhân tố tác động đến nợ xấu của ngân hàng thương mại 2. Lý thuyết thông tin bất cân xứng Lý thuyết này xuất hiện lần đầu tiên cùng với nhà nghiên cứu G. Theo nhà nghiên cứu thì khi có một đối tượng trong giao dịch có thông tin ít hơn đối tác hoặc có thông tin nhiều nhưng nguồn thông tin không chính xác đều này sẽ dẫn đến hiện tượng thông tin bất cân xứng. Đến hiện tại, lý thuyết thông tin bất cân xứng là lý thuyết vô cùng quan trọng và là trọng tâm nghiên cứu được hầu hệ nhà nghiên cứu về kinh tế học quan tâm chú ý.