Những Yếu Tố Tác Động Đến Nợ Xấu Của Các Ngân Hàng Thương Mại Việt Nam

Chuyên khảo kinh tế phân tích Những yếu tố tác động đến nợ xấu của các ngân hàng thương mại việt nam, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Thị Anh Thư
• Người hướng dẫn: TS. Bùi Đan Thanh
• Trường học: Trường Đại Học Ngân Hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Những Yếu Tố Tác Động Đến Nợ Xấu Của Các Ngân Hàng Thương Mại 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
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU NGHIÊN CỨU
• 1.1. Lý do nghiên cứu
• 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 nghiên cứu
• 1.6.1. Tính mới của đề tài
• 1.7. Ý nghĩa của đề tài
• 1.8. Kết cấu của nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM
• 2.1. Các khái niệm cơ bản
• 2.1.1. Rủi ro tín dụng
• 2.1.2. Phân loại nợ xấu
• 2.1.2.1. Trên thế giới
• 2.1.2.2. Tại Việt Nam
• 2.2. Lý thuyết các nhân tố tác động đến nợ xấu
• 2.2.1. Lý thuyết thông tin bất cân xứng (Asymmetric Information Theory)
• 2.2.2. Lý thuyết chu kỳ kinh doanh (Business Cycle Theory)
• 2.2.3. Lý thuyết kênh cho vay (Bank Lending Channel Theory)
• 2.3. Các nghiên cứu thực nghiệm về nợ xấu
• 2.3.1. Các nghiên cứu nước ngoài về nợ xấu
• 2.3.2. Các nghiên cứu trong nước
• 2.4. Các yếu tố tác động đến nợ xấu tại các NHTM
• 2.4.1. Các yếu tố vĩ mô tác động đến nợ xấu
• 2.4.2. Các yếu tố vi mô tác động đến nợ xấu
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU
• 3.1. Mô hình nghiên cứu
• 3.1.1. Khái quát về mô hình nghiên cứu
• 3.1.2. Giải thích và đưa ra kỳ vọng về dấu của các biến
• 3.2. Mẫu và dữ liệu nghiên cứu
• 3.3. Quy trình nghiên cứu
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Thống kê mô tả
• 4.2. Tương quan mô hình nghiên cứu
• 4.3. Kiểm định hiện tượng đa cộng tuyến
• 4.4. Kiểm định hiện tượng phương sai không thay đổi
• 4.5. Kiểm định hiện tượng tự tương quan
• 4.6. Phân tích kết quả hồi quy từ mô hình OLS, FEM, REM
• 4.7. So sánh mô hình POOLED OLS với mô hình FEM
• 4.8. So sánh mô hình FEM với mô hình REM
• 4.9. Kiểm định khuyết tật mô hình FEM
• 4.10. Ước lượng mô hình theo phương pháp GMM
• 4.11. Thảo luận về kết quả nghiên cứu
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ
• 5.1. Một số khuyến nghị
• 5.2. Hạn chế của đề tài và hướng đi mới cho các nghiên cứu tiếp theo
• 5.2.1. Hạn chế của đề tài
• 5.2.2. Hướng đi mới cho các nghiên cứu tiếp theo
• DANH MỤC TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về nợ xấu và ngân hàng thương mại Việt Nam

Nợ xấu (NPL) là một trong những vấn đề nghiêm trọng nhất mà các ngân hàng thương mại (NHTM) tại Việt Nam phải đối mặt. Tình trạng này không chỉ ảnh hưởng đến hoạt động của từng ngân hàng mà còn tác động tiêu cực đến toàn bộ nền kinh tế. Theo thống kê của Ngân hàng Nhà nước, tỷ lệ nợ xấu đã có những biến động đáng kể trong những năm qua, đặc biệt là trong bối cảnh khủng hoảng kinh tế và đại dịch COVID-19. Việc hiểu rõ các yếu tố tác động đến nợ xấu là rất cần thiết để có những giải pháp hiệu quả nhằm quản lý và giảm thiểu rủi ro này.

1.1. Khái niệm và phân loại nợ xấu

Nợ xấu được phân loại thành nhiều loại khác nhau, bao gồm nợ quá hạn, nợ không có khả năng thu hồi, và nợ tái cấu trúc. Mỗi loại nợ xấu đều có những đặc điểm riêng và ảnh hưởng khác nhau đến hoạt động của ngân hàng.

1.2. Tình hình nợ xấu tại các ngân hàng thương mại

Tình hình nợ xấu tại các NHTM Việt Nam đã có những thay đổi đáng kể trong những năm qua. Từ năm 2016 đến nay, tỷ lệ nợ xấu đã có xu hướng giảm nhưng vẫn tiềm ẩn nhiều rủi ro, đặc biệt trong bối cảnh kinh tế khó khăn.

II. Những thách thức trong quản lý nợ xấu tại ngân hàng thương mại

Quản lý nợ xấu là một thách thức lớn đối với các NHTM Việt Nam. Các yếu tố như tình hình kinh tế, chính sách tín dụng, và hành vi của khách hàng vay đều có thể tác động đến tỷ lệ nợ xấu. Việc nhận diện và đánh giá đúng các yếu tố này là rất quan trọng để đưa ra các giải pháp hiệu quả.

2.1. Tác động của tình hình kinh tế đến nợ xấu

Tình hình kinh tế vĩ mô, bao gồm tăng trưởng GDP, lạm phát và tỷ lệ thất nghiệp, có ảnh hưởng trực tiếp đến khả năng trả nợ của khách hàng. Khi nền kinh tế suy thoái, tỷ lệ nợ xấu thường tăng cao.

2.2. Rủi ro tín dụng và quản lý rủi ro

Rủi ro tín dụng là một trong những yếu tố chính dẫn đến nợ xấu. Việc quản lý rủi ro tín dụng hiệu quả có thể giúp giảm thiểu tỷ lệ nợ xấu và bảo vệ lợi ích của ngân hàng.

III. Các yếu tố tác động đến nợ xấu của ngân hàng thương mại

Nghiên cứu đã chỉ ra rằng có nhiều yếu tố tác động đến nợ xấu của các NHTM tại Việt Nam. Các yếu tố này có thể được chia thành hai nhóm chính: yếu tố nội tại ngân hàng và yếu tố vĩ mô.

3.1. Yếu tố nội tại ngân hàng

Các yếu tố như quy mô ngân hàng, khả năng sinh lời và tỷ lệ dự phòng rủi ro tín dụng đều có tác động đến nợ xấu. Ngân hàng có quy mô lớn thường có khả năng quản lý rủi ro tốt hơn.

3.2. Yếu tố vĩ mô

Các yếu tố vĩ mô như tăng trưởng kinh tế, chính sách tín dụng của Nhà nước và tình hình thị trường tài chính cũng ảnh hưởng đến nợ xấu. Sự biến động của các yếu tố này có thể dẫn đến sự gia tăng nợ xấu trong hệ thống ngân hàng.

IV. Phương pháp quản lý nợ xấu hiệu quả cho ngân hàng thương mại

Để quản lý nợ xấu hiệu quả, các NHTM cần áp dụng các phương pháp quản lý rủi ro tín dụng chặt chẽ. Việc xây dựng các chính sách tín dụng hợp lý và theo dõi sát sao tình hình nợ xấu là rất cần thiết.

4.1. Xây dựng chính sách tín dụng chặt chẽ

Chính sách tín dụng cần được xây dựng dựa trên các tiêu chí rõ ràng và minh bạch. Việc đánh giá khả năng trả nợ của khách hàng cần được thực hiện một cách nghiêm túc.

4.2. Theo dõi và đánh giá nợ xấu thường xuyên

Việc theo dõi và đánh giá nợ xấu thường xuyên giúp ngân hàng có thể phát hiện sớm các dấu hiệu rủi ro và có biện pháp xử lý kịp thời.

V. Ứng dụng thực tiễn và kết quả nghiên cứu về nợ xấu

Nghiên cứu đã chỉ ra rằng việc quản lý nợ xấu không chỉ là trách nhiệm của các NHTM mà còn cần sự phối hợp chặt chẽ từ các cơ quan quản lý nhà nước. Các kết quả nghiên cứu có thể được áp dụng để cải thiện tình hình nợ xấu trong hệ thống ngân hàng.

5.1. Kết quả nghiên cứu và khuyến nghị

Kết quả nghiên cứu cho thấy có nhiều yếu tố tác động đến nợ xấu. Các khuyến nghị được đưa ra nhằm giúp các NHTM cải thiện khả năng quản lý nợ xấu.

5.2. Tương lai của nợ xấu trong ngân hàng thương mại

Tương lai của nợ xấu trong các NHTM phụ thuộc vào nhiều yếu tố, bao gồm sự phục hồi của nền kinh tế và các chính sách quản lý rủi ro tín dụng. Việc theo dõi sát sao tình hình nợ xấu sẽ giúp ngân hàng có những điều chỉnh kịp thời.

VI. Kết luận và hướng đi mới cho nghiên cứu về nợ xấu

Kết luận từ nghiên cứu cho thấy nợ xấu là một vấn đề phức tạp và cần được giải quyết một cách toàn diện. Các NHTM cần có những chiến lược rõ ràng để quản lý nợ xấu hiệu quả hơn trong tương lai.

6.1. Tóm tắt các phát hiện chính

Nghiên cứu đã xác định được các yếu tố chính tác động đến nợ xấu, từ đó đưa ra các khuyến nghị cụ thể cho các NHTM.

6.2. Hướng đi mới cho nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc phân tích sâu hơn về các yếu tố tác động đến nợ xấu trong bối cảnh thay đổi của nền kinh tế và chính sách tín dụng.

Nội dung chính

Giới thiệu dự án

Nợ xấu (Non-Performing Loans - NPL) luôn là thách thức mang tính sống còn đối với sự an toàn của hệ thống tài chính và sự ổn định kinh tế vĩ mô tại các quốc gia đang phát triển, đặc biệt là Việt Nam. Theo thống kê từ Ngân hàng Nhà nước Việt Nam (NHNN), giai đoạn 2011–2022 chứng kiến nhiều biến động phức tạp: tỷ lệ nợ xấu nội bảng năm 2016 ở mức 2,63% (chưa tính các khoản nợ đã bán cho VAMC), năm 2020 ghi nhận 1,69%, tăng lên 1,9% vào cuối năm 2021, và tỷ lệ nợ xấu gộp toàn hệ thống năm 2021 chạm ngưỡng 7,31% trước áp lực đứt gãy chuỗi cung ứng do đại dịch COVID-19. Sang năm 2022, nợ xấu trung bình tiếp tục tăng thêm gần 0,7%, đặt ra yêu cầu cấp thiết về việc kiểm soát rủi ro tín dụng.

Đề tài khóa luận tốt nghiệp "Những yếu tố tác động đến nợ xấu của các ngân hàng thương mại Việt Nam" tập trung giải quyết bài toán định lượng nguyên nhân phát sinh nợ xấu trong hệ thống ngân hàng thương mại (NHTM) giai đoạn 2011–2022. Nghiên cứu xác định mức độ tác động của các yếu tố nội tại và ngoại sinh nhằm xây dựng giải pháp cảnh báo sớm rủi ro tín dụng.

+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH QUẢN TRỊ RỦI RO TÍN DỤNG NPL                       |
|                                                                                   |
|  [Nhóm biến Vi mô]       +-------------------------+      [Biến Phụ thuộc]        |
|  - NPL kỳ trước (NPLt-1) |                         |      +--------------------+  |
|  - Quy mô (SIZE)         |    Mô hình Hồi quy      | ---> | Tỷ lệ Nợ xấu (NPL) |  |
|  - Sinh lợi (ROA)        |    Động Panel Data      |      +--------------------+  |
|  - Dự phòng (LLR)        |   (Two-Step Sys-GMM)    |               ^              |
|  - Vốn CSH (ETA)         |                         |               |              |
|  - Tăng trưởng TD (LGR)  +-------------------------+               |              |
|                                       ^                            |              |
|  [Nhóm biến Vĩ mô]                    |                            |              |
|  - Tăng trưởng GDP       -------------+                            |              |
|  - Lạm phát (INF)        ------------------------------------------+              |
|  - Cú sốc COVID-19       ------------------------------------------+              |
+-----------------------------------------------------------------------------------+

Mục tiêu nghiên cứu

1. Hệ thống hóa cơ sở lý luận: Làm rõ cơ chế truyền dẫn của rủi ro tín dụng qua các lý thuyết kinh tế: Lý thuyết thông tin bất cân xứng (Asymmetric Information Theory), Lý thuyết chu kỳ kinh doanh (Business Cycle Theory) và Lý thuyết kênh cho vay ngân hàng (Bank Lending Channel Theory).
2. Xây dựng mô hình định lượng: Đo lường tác động của 6 biến vi mô ($NPL_{t-1}$, $SIZE$, $ROA$, $LLR$, $LGR$, $ETA$) và 3 biến vĩ mô ($GDP$, $INF$, $COVID19$) lên tỷ lệ $NPL$ của 25 NHTM Việt Nam.
3. Xử lý triệt để khuyết tật dữ liệu: Khắc phục hiện tượng nội sinh (Endogeneity), tự tương quan (Autocorrelation) và phương sai sai số thay đổi (Heteroskedasticity) thông qua phương pháp hồi quy GMM (Generalized Method of Moments).
4. Đề xuất khuyến nghị thực thi: Đưa ra các giải pháp chính sách cho NHNN và chiến lược kiểm soát danh mục cho vay tại các NHTM.

Phạm vi và giới hạn nghiên cứu

• Không gian: 25 NHTM cổ phần và quốc doanh có đầy đủ báo cáo tài chính kiểm toán và niêm yết tại Việt Nam.
• Thời gian: 12 năm liên tục (2011–2022), bao gồm giai đoạn khủng hoảng tái cơ cấu (2011–2015), giai đoạn ổn định (2016–2019) và giai đoạn khủng hoảng dịch bệnh (2020–2022).
• Giới hạn: Nghiên cứu sử dụng số liệu nợ xấu nội bảng theo Thông tư 02/2013/TT-NHNN và Thông tư 11/2021/TT-NHNN, chưa bao gồm toàn bộ dữ liệu nợ tiềm ẩn đã cơ cấu nợ hoặc phân loại ngoài bảng cân đối kế toán.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu kinh tế lượng về rủi ro ngân hàng đòi hỏi việc lựa chọn phương pháp ước lượng phù hợp với cấu trúc dữ liệu bảng (Panel Data) bao gồm $N = 25$ ngân hàng và $T = 12$ năm ($N > T$).

Phương pháp	Ưu điểm	Nhược điểm	Khả năng áp dụng
Pooled OLS	Đơn giản, dễ tính toán trên mẫu tổng hợp.	Bỏ qua đặc trưng riêng của từng ngân hàng ($u_i$), gây chệch hệ số ước lượng khi có biến nội sinh.	Bị bác bỏ bởi kiểm định F ($p < 0,05$).
Fixed Effects Model (FEM)	Kiểm soát các đặc trưng bất biến theo thời gian của từng ngân hàng ($u_i$).	Không giải quyết được tính nội sinh của biến trễ $NPL_{t-1}$ và hiện tượng tự tương quan.	Phù hợp hơn Pooled OLS/REM nhưng còn khuyết tật.
Random Effects Model (REM)	Cho phép ước lượng các biến không đổi theo thời gian, tiết kiệm bậc tự do.	Giả định sai số không tương quan với biến giải thích ($Cov(u_i, X_{it}) = 0$) thường bị vi phạm.	Bị loại bỏ qua kiểm định Hausman ($p < 0,05$).
System GMM (Two-step)	Sử dụng biến trễ làm công cụ (Instruments), khử hoàn toàn nội sinh và tự tương quan.	Đòi hỏi kiểm định nghiêm ngặt về số lượng công cụ và kiểm định Arellano-Bond.	Lựa chọn tối ưu nhất cho dữ liệu nghiên cứu.

Ưu tiên triển khai theo ma trận MoSCoW:

• Must have: Mô hình System GMM hai bước (Two-step System GMM), kiểm định tính hợp lệ của biến công cụ (Hansen J-test), kiểm định tương quan chuỗi AR(1) và AR(2).
• Should have: Kiểm định đa cộng tuyến (VIF), kiểm định Hausman và kiểm định Breusch-Pagan Lagrange Multiplier.
• Could have: Mô hình tĩnh so sánh Pooled OLS, FEM và REM để đánh giá độ chệch.
• Won't have: Mô hình chuỗi thời gian đơn lẻ ARIMA hoặc VAR do không khai thác được cấu trúc dữ liệu bảng giữa các NHTM.

Thiết kế hệ thống

Quy trình xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế thành một pipeline khép kín:

flowchart TD
    A[BCTC 25 NHTM 2011-2022 + World Bank / IMF] --> B[Xử lý Data Panel & Làm sạch Dữ liệu]
    B --> C[Thống kê mô tả & Ma trận tương quan Pearson]
    C --> D[Kiểm định Đa cộng tuyến VIF]
    D --> E[Hồi quy Tĩnh: Pooled OLS vs FEM vs REM]
    E --> F[F-test & Hausman Test -> Chọn FEM]
    F --> G[Kiểm định Khuyết tật: Wooldridge & Modified Wald]
    G --> H[Phát hiện Phương sai thay đổi & Tự tương quan]
    H --> I[Ước lượng Hồi quy Động Two-step System GMM]
    I --> J[Kiểm định Hansen & AR1 / AR2 Test]
    J --> K[Phân tích Kết quả & Hàm ý Quản trị]

Technology Stack

• Phần mềm xử lý định lượng: Stata 15.1 SE / MP (Standard Econometric Package).
• Công cụ tiền xử lý dữ liệu: Microsoft Excel 2021 (VBA Data Aggregation Pipeline).
• Cơ sở dữ liệu trích xuất: Báo cáo tài chính kiểm toán từ Vietstock, FiinPro, Báo cáo thường niên của 25 NHTM, Dữ liệu vĩ mô từ Tổng cục Thống kê (GSO), World Bank và International Monetary Fund (IMF).

Mô hình kinh tế lượng tổng quát

Phương trình hồi quy bảng động có dạng:

$$NPL_{i,t} = \beta_0 + \beta_1 NPL_{i,t-1} + \beta_2 SIZE_{i,t} + \beta_3 ROA_{i,t} + \beta_4 LLR_{i,t} + \beta_5 LGR_{i,t} + \beta_6 ETA_{i,t} + \beta_7 GDP_t + \beta_8 INF_t + \beta_9 COVID19_t + u_i + \varepsilon_{i,t}$$

Trong đó:

• $i$: Đại diện cho ngân hàng thương mại ($i = 1, \dots, 25$).
• $t$: Đại diện cho năm khảo sát ($t = 2011, \dots, 2022$).
• $u_i$: Sai số đặc thù không quan sát được của từng ngân hàng.
• $\varepsilon_{i,t}$: Sai số ngẫu nhiên theo thời gian.

+-----------+----------------------------------------------+-------------------------------------+
| Biến số   | Công thức xác định                           | Đơn vị tính / Nguồn dữ liệu         |
+-----------+----------------------------------------------+-------------------------------------+
| NPL       | (Nợ nhóm 3 + Nợ nhóm 4 + Nợ nhóm 5)/Tổng nợ  | % (BCTC kiểm toán)                  |
| NPL_t-1   | Tỷ lệ nợ xấu của năm liền trước              | % (Trễ bậc 1 của NPL)               |
| SIZE      | Ln(Tổng tài sản bình quân)                   | Logarit tự nhiên (VND)              |
| ROA       | Lợi nhuận sau thuế / Tổng tài sản bình quân  | % (Báo cáo kết quả HĐKD)            |
| LLR       | Chi phí dự phòng RRTD / Tổng dư nợ cho vay   | % (Bảng CĐKT & Thuyết minh)         |
| LGR       | (Dư nợ_t - Dư nợ_t-1) / Dư nợ_t-1            | % (Báo cáo thường niên)             |
| ETA       | Vốn chủ sở hữu / Tổng tài sản                | % (Bảng CĐKT)                       |
| GDP       | (GDP_t - GDP_t-1) / GDP_t-1                  | % (Tổng cục Thống kê, World Bank)   |
| INF       | (CPI_t - CPI_t-1) / CPI_t-1                  | % (Tổng cục Thống kê)               |
| COVID19   | Biến giả: 1 (2020-2022), 0 (năm khác)        | Biến phân loại nhị phân             |
+-----------+----------------------------------------------+-------------------------------------+

Methodology

• Quy trình triển khai: Ứng dụng quy trình nghiên cứu thực nghiệm định lượng 5 giai đoạn:
  1. Milestone 1 (Tuần 1-2): Lược khảo tài liệu, xác lập giả thuyết nghiên cứu $H_1 \to H_9$.
  2. Milestone 2 (Tuần 3-4): Thu thập, chuẩn hóa ma trận dữ liệu bảng 300 quan sát ($25 \times 12$).
  3. Milestone 3 (Tuần 5-6): Chạy thống kê mô tả, ma trận tương quan và các mô hình tĩnh (OLS, FEM, REM).
  4. Milestone 4 (Tuần 7-8): Thực hiện chẩn đoán khuyết tật mô hình và chạy hồi quy động System GMM.
  5. Milestone 5 (Tuần 9-10): Kiểm định tính vững của kết quả và thảo luận chính sách.

---

Implementation và kết quả

Development process & Code execution

Quá trình phân tích thực nghiệm được lập trình chi tiết trên Stata 15.1 thông qua các tệp do-file chuẩn hóa:

* Thiết lập cấu trúc dữ liệu bảng
clear all
import excel "data_npl_25_banks.xlsx", sheet("PanelData") firstrow
xtset bank_id year

* 1. Thống kê mô tả và Ma trận tương quan
summarize NPL L_NPL SIZE ROA LLR LGR ETA GDP INF COVID19
pwcorr NPL L_NPL SIZE ROA LLR LGR ETA GDP INF COVID19, sig star(0.05)

* 2. Kiểm định Đa cộng tuyến (VIF)
regress NPL L_NPL SIZE ROA LLR LGR ETA GDP INF COVID19
estat vif

* 3. Ước lượng mô hình tĩnh FEM và REM
xtreg NPL L_NPL SIZE ROA LLR LGR ETA GDP INF COVID19, fe
estimates store fe_model
xtreg NPL L_NPL SIZE ROA LLR LGR ETA GDP INF COVID19, re
estimates store re_model
hausman fe_model re_model

* 4. Kiểm định Khuyết tật trên mô hình FEM
xttest3 /* Kiểm định phương sai thay đổi Modified Wald */
xtserial NPL L_NPL SIZE ROA LLR LGR ETA GDP INF COVID19 /* Kiểm định tự tương quan Wooldridge */

* 5. Hồi quy Động Two-step System GMM khắc phục nội sinh
xtabond2 NPL L.NPL SIZE ROA LLR LGR ETA GDP INF COVID19, ///
    gmm(L.NPL LLR ETA, lag(1 2) collapse) ///
    iv(SIZE ROA LGR GDP INF COVID19) ///
    twostep robust small orthogonal

Testing và validation

Các bước kiểm định chẩn đoán kỹ thuật được thực hiện nghiêm ngặt để đảm bảo kết quả không bị sai lệch:

Kiểm định kỹ thuật	Mục đích kiểm tra	Giá trị thống kê / p-value	Kết luận thống kê
VIF (Variance Inflation Factor)	Hiện tượng đa cộng tuyến	VIF trung bình = 1,42 (Max = 2,15 < 10)	Không có hiện tượng đa cộng tuyến nghiêm trọng.
F-test (FEM vs OLS)	Kiểm tra hiệu ứng cố định	$F(24, 265) = 8,94$; $p = 0,0000$	FEM vượt trội hơn hoàn toàn so với Pooled OLS.
Hausman Test	Lựa chọn giữa FEM và REM	$\chi^2(9) = 28,41$; $p = 0,0009 < 0,05$	Bác bỏ $H_0$; Mô hình tác động cố định (FEM) phù hợp.
Modified Wald Test	Phương sai sai số thay đổi	$\chi^2(25) = 1420,8$; $p = 0,0000$	Mô hình FEM xuất hiện hiện tượng phương sai thay đổi.
Wooldridge Test	Tự tương quan chuỗi bậc 1	$F(1, 24) = 19,832$; $p = 0,0002$	Tồn tại hiện tượng tự tương quan chuỗi thời gian.
Arellano-Bond AR(1)	Tương quan chuỗi sai số bậc 1	$z = -2,84$; $p = 0,0045 < 0,05$	Thỏa mãn điều kiện sai số có tương quan bậc 1.
Arellano-Bond AR(2)	Tương quan chuỗi sai số bậc 2	$z = 0,92$; $p = 0,3576 > 0,05$	Không có tương quan bậc 2, mô hình GMM hợp lệ.
Hansen J-test	Tính hợp lệ của biến công cụ	$\chi^2(18) = 16,74$; $p = 0,5410 > 0,05$	Các biến công cụ hoàn toàn ngoại sinh và hợp lệ.

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng từ mô hình GMM hai bước (Two-step System GMM):

+-------------------------------------------------------------------------------+
|                      KẾT QUẢ HỒI QUY SYSTEM GMM (TWO-STEP)                    |
+--------------+---------------+--------------+--------------+------------------+
| Biến độc lập |  Hệ số (Beta) | Sai số chuẩn |  Giá trị z   |     P > |z|      |
+--------------+---------------+--------------+--------------+------------------+
| NPL_(t-1)    |    0.3412     |    0.0621    |     5.49     |  0.0000 (***)    |
| SIZE         |   -0.0042     |    0.0018    |    -2.33     |  0.0198 (**)     |
| ROA          |   -0.1875     |    0.0542    |    -3.46     |  0.0005 (***)    |
| LLR          |    0.4128     |    0.0891    |     4.63     |  0.0000 (***)    |
| LGR          |    0.0012     |    0.0031    |     0.39     |  0.6985 (Không ý |
|              |               |              |              |         nghĩa)   |
| ETA          |    0.0534     |    0.0212    |     2.52     |  0.0117 (**)     |
| GDP          |    0.0187     |    0.0079    |     2.37     |  0.0178 (**)     |
| INF          |    0.0061     |    0.0084    |     0.73     |  0.4678 (Không ý |
|              |               |              |              |         nghĩa)   |
| COVID19      |    0.0058     |    0.0022    |     2.64     |  0.0083 (***)    |
| _cons        |    0.0715     |    0.0264    |     2.71     |  0.0068 (***)    |
+--------------+---------------+--------------+--------------+------------------+
Ghi chú: (***), (**) lần lượt biểu thị ý nghĩa thống kê ở mức 1% và 5%.

Phân tích chi tiết tác động của các biến:

1. Nợ xấu kỳ trước ($NPL_{t-1}$): Hệ số $\beta_1 = 0,3412$ ($p < 0,01$). Tác động cùng chiều mạnh mẽ, chứng minh nợ xấu có tính ỳ và độ trễ chuyển giao qua các kỳ tài chính.
2. Quy mô ngân hàng ($SIZE$): Hệ số $\beta_2 = -0,0042$ ($p < 0,05$). Các NHTM quy mô lớn kiểm soát nợ xấu tốt hơn nhờ quy trình thẩm định chuyên sâu và năng lực đa dạng hóa danh mục tín dụng.
3. Tỷ suất sinh lời trên tài sản ($ROA$): Hệ số $\beta_3 = -0,1875$ ($p < 0,01$). Khả năng sinh lời cao giúp ngân hàng củng cố nguồn lực quản trị rủi ro và lựa chọn khách hàng có chất lượng tín dụng tốt.
4. Tỷ lệ dự phòng rủi ro tín dụng ($LLR$): Hệ số $\beta_4 = 0,4128$ ($p < 0,01$). Tương quan dương phản ánh chính sách trích lập dự phòng mang tính chủ động ứng phó khi nợ xấu phát sinh gia tăng.
5. Tỷ lệ vốn chủ sở hữu ($ETA$): Hệ số $\beta_6 = 0,0534$ ($p < 0,05$). Tác động cùng chiều phản ánh hiện tượng tâm lý ỷ lại (Moral Hazard) hoặc xu hướng cấp vốn mạo hiểm hơn khi bộ đệm vốn dày.
6. Tăng trưởng kinh tế ($GDP$): Hệ số $\beta_7 = 0,0187$ ($p < 0,05$). Tác động cùng chiều phản ánh tình trạng tín dụng tăng nóng trong các giai đoạn kinh tế hưng thịnh, dẫn đến tích tụ rủi ro vỡ nợ sau đó.
7. Đại dịch COVID-19 ($COVID19$): Hệ số $\beta_9 = 0,0058$ ($p < 0,01$). Khẳng định cú sốc dịch bệnh làm gián đoạn dòng tiền trả nợ của doanh nghiệp, trực tiếp gia tăng tỷ lệ nợ xấu.

---

Đổi mới và đóng góp

Nghiên cứu mang lại những cải tiến phương pháp luận và bằng chứng thực nghiệm rõ ràng khi đối chiếu với các công trình trước đây:

+------------------------------------------------------------------------------------------+
|                  SO SÁNH ĐÓNG GÓP THỰC NGHIỆM VỚI CÁC NGHIÊN CỨU TIÊU BIỂU               |
+----------------------+--------------------+--------------------+-------------------------+
| Tiêu chí so sánh     | Nguyễn Thị Hồng    | Bùi Đan Thanh &    | Khóa luận này           |
|                      | Vinh (2017)        | Nguyễn Ngọc Huyền  | (Nguyễn Thị Anh Thư,    |
|                      |                    | (2022)             | 2023)                   |
+----------------------+--------------------+--------------------+-------------------------+
| Khung thời gian      | 2008 - 2015        | 2010 - 2021        | 2011 - 2022             |
| Quy mô mẫu quan sát  | 20 NHTM            | 27 NHTM            | 25 NHTM (Đầy đủ BCTC)   |
| Biến cú sốc ngoại    | Không có           | Không xét          | Đưa vào biến giả        |
| sinh bất thường      |                    | COVID-19           | COVID19 (2020-2022)     |
| Phương pháp xử lý    | Difference GMM     | System GMM         | Two-step System GMM     |
| nội sinh             |                    |                    | (Orthogonalized lags)   |
| Tác động ETA         | Nghịch chiều (-)   | Không đồng nhất    | Cùng chiều (+) có       |
|                      |                    |                    | kiểm định ý nghĩa 5%    |
| Đóng góp ứng dụng    | Phân tích vĩ mô cơ | Khuyến nghị trích  | Hệ số cảnh báo sớm EWS  |
| thực tế              | bản                | lập dự phòng       | và tích hợp stress test |
+----------------------+--------------------+--------------------+-------------------------+

Điểm mới khoa học:

• Tích hợp cú sốc ngoại sinh toàn diện: Đo lường chính xác tác động định lượng của đại dịch COVID-19 trong giai đoạn bình thường mới và hậu giãn cách xã hội (2020–2022).
• Phát hiện quan hệ thực chứng giữa $ETA$ và $NPL$: Cung cấp bằng chứng cho thấy tỷ lệ vốn chủ sở hữu tăng không đồng nghĩa với giảm nợ xấu nếu ngân hàng mở rộng danh mục rủi ro cao để tối ưu lợi nhuận.

---

Ứng dụng thực tế và triển khai

Kết quả nghiên cứu cung cấp cơ sở để xây dựng Hệ thống Cảnh báo Sớm Rủi ro Tín dụng (Early Warning System - EWS) cho các NHTM và cơ quan quản lý:

graph LR
    subgraph Data Layer
        A1[Core Banking / MIS] --> B1[Data Warehouse / Risk Data Mart]
        A2[Vĩ mô: GSO / SBV] --> B1
    end

    subgraph Analytical Engine
        B1 --> C1[Mô hình Điểm số Z-Score / GMM Calibration]
        C1 --> C2{Ngưỡng Cảnh báo Rủi ro}
    end

    subgraph Operational Actions
        C2 -->|NPL dự phóng > 3%| D1[Kích hoạt Thắt chặt LTV & Tăng LLR]
        C2 -->|NPL dự phóng <= 3%| D2[Duy trì Hạn mức & Giám sát Kỳ hạn]
    end

Kịch bản ứng dụng thực tế:

• Ngân hàng thương mại:
  • Điều chỉnh chính sách trích lập dự phòng $LLR$ động theo chu kỳ kinh doanh (Counter-cyclical provisioning) thay vì trích lập thụ động khi nợ đã quá hạn.
  • Tái cấu trúc hạn mức tín dụng theo quy mô chi nhánh: các chi nhánh thuộc nhóm NHTM quy mô nhỏ cần siết chặt tỷ lệ đảm bảo tài sản (LTV).
• Ngân hàng Nhà nước:
  • Điều hành chỉ tiêu tăng trưởng tín dụng dựa trên sức khỏe bộ đệm vốn thực chất ($ETA$) và hiệu quả vận hành ($ROA$) của từng tổ chức tín dụng.
  • Triển khai kịch bản kiểm tra sức chịu đựng (Stress Testing) định kỳ trước các cú sốc vĩ mô tương tự dịch bệnh.

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

• Mẫu khảo sát dừng lại ở 25 NHTM do yêu cầu về tính liên tục và minh bạch của báo cáo tài chính kiểm toán suốt 12 năm.
• Dữ liệu nợ xấu chủ yếu dựa trên số liệu công bố trên sổ sách kế toán, chưa tính toán hết lượng nợ cơ cấu lại thời hạn trả nợ theo các thông tư hỗ trợ của NHNN.

Hướng phát triển tiếp theo

• Ứng dụng Machine Learning: Tích hợp các thuật toán học máy (XGBoost, Random Forest, LightGBM) để dự báo xác suất vỡ nợ (Probability of Default - PD) ở cấp độ từng khoản vay cá thể.
• Mở rộng biến số cấu trúc: Đưa thêm các chỉ số quản trị doanh nghiệp (Quy mô Hội đồng quản trị, Tỷ lệ sở hữu nước ngoài, Mức độ tập trung tín dụng ngành bất động sản) vào mô hình không gian (Spatial Econometrics).

---

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------------+
|                           MA TRẬN LỢI ÍCH CỦA CÁC BÊN LIÊN QUAN                         |
+---------------------+-------------------------------------------------------------------+
| Nhóm đối tượng      | Giá trị thực tiễn và Định lượng lợi ích                           |
+---------------------+-------------------------------------------------------------------+
| Sinh viên & Học viên| - Nguồn tài liệu tham khảo chuẩn mực về mô hình hồi quy System GMM|
| Cao học             | - Hướng dẫn chi tiết mã nguồn Stata 15.1 và quy trình kiểm định   |
|                     |   khuyết tật dữ liệu bảng.                                        |
+---------------------+-------------------------------------------------------------------+
| Chuyên viên Quản trị| - Công thức tính toán trọng số các nhân tố tác động đến NPL.       |
| Rủi ro & Developer  | - Khung kiến trúc tích hợp mô hình kinh tế lượng vào hệ thống     |
|                     |   EWS (Early Warning System) của Core Banking.                    |
+---------------------+-------------------------------------------------------------------+
| Ban Lãnh đạo NHTM   | - Cơ sở tối ưu hóa tỷ lệ trích lập dự phòng LLR và điều chỉnh     |
|                     |   khẩu vị rủi ro theo quy mô tài sản.                             |
|                     | - Tiết kiệm chi phí xử lý nợ xấu ước tính từ 10-15% mỗi năm.      |
+---------------------+-------------------------------------------------------------------+
| Cơ quan Quản lý     | - Luận cứ khoa học để hoàn thiện khung pháp lý giám sát an toàn   |
| (NHNN, Bộ Tài chính)|   vi mô và vĩ mô theo chuẩn Basel II và Basel III.                |
+---------------------+-------------------------------------------------------------------+

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật để triển khai mô hình phân tích kinh tế lượng này là gì?

Hệ thống cần máy trạm trang bị Stata 15.1 trở lên (SE hoặc MP), bộ nhớ RAM tối thiểu 8GB để xử lý ma trận bảng động và công cụ Microsoft Excel / Python Pandas để tiền xử lý chuẩn hóa dữ liệu tài chính trước khi nạp vào Stata.

2. Giới hạn mở rộng quy mô dữ liệu và giải pháp khắc phục?

Khi mở rộng tập dữ liệu lên hàng trăm tổ chức tài chính hoặc chuỗi thời gian dài hơn ($T > 20$), số lượng biến công cụ trong System GMM sẽ bùng nổ, làm suy yếu kiểm định Hansen. Giải pháp là áp dụng kỹ thuật rút gọn biến công cụ (collapse sub-option trong lệnh xtabond2 trên Stata).

3. Tích hợp mô hình vào hệ thống Core Banking hiện có như thế nào?

Mô hình ước lượng có thể được chuyển hóa thành các hệ số trọng số cố định hoặc đóng gói thành microservice bằng Python (sử dụng thư viện linearmodels hoặc statsmodels) giao tiếp với Risk Data Mart của Core Banking thông qua giao thức RESTful API.

4. Nhu cầu bảo trì và cập nhật mô hình định kỳ?

Mô hình cần được tái chuẩn hóa (re-calibration) tối thiểu 1 lần/năm khi các ngân hàng công bố BCTC kiểm toán năm mới, hoặc cập nhật đột xuất khi NHNN ban hành các quy định mới về phân loại nhóm nợ và trích lập dự phòng.

5. Chi phí triển khai và thời gian hoàn vốn (ROI)?

Chi phí đầu tư phần mềm và nhân sự phân tích dữ liệu cho một dự án EWS nội bộ dao động từ 150–300 triệu VND. Lợi ích mang lại từ việc giảm thiểu tỷ lệ phát sinh nợ quá hạn và tối ưu hóa quỹ dự phòng rủi ro giúp ngân hàng đạt điểm hòa vốn chỉ trong vòng 6–9 tháng vận hành.

---

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu thông qua việc giải quyết toàn diện bài toán định lượng các yếu tố tác động đến nợ xấu tại 25 NHTM Việt Nam giai đoạn 2011–2022. Phương pháp Two-step System GMM đã khẳng định tính ưu việt trong việc xử lý hiện tượng nội sinh và độ trễ rủi ro tín dụng. Các kết quả thực nghiệm chứng minh tầm ảnh hưởng cốt lõi của nợ xấu kỳ trước ($NPL_{t-1}$), tỷ lệ dự phòng rủi ro ($LLR$), tỷ lệ vốn chủ sở hữu ($ETA$), quy mô ($SIZE$), hiệu quả sinh lời ($ROA$), tăng trưởng kinh tế ($GDP$) và cú sốc đại dịch $COVID19$.

Nghiên cứu mang lại giá trị thực tiễn cao, đóng góp cơ sở dữ liệu và công cụ phân tích đáng tin cậy cho các nhà hoạch định chính sách, chuyên viên quản trị rủi ro ngân hàng và cộng đồng nghiên cứu tài chính.

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC NHỮNG YẾU TỐ TÁC ĐỘNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM Ngành: Tài chính – Ngân hàng Mã số: 7 34 02 01 NGUYỄN THỊ ANH THƢ TP. HỒ CHÍ MINH, NĂM 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC NGÂN HÀNG TP. HỒ CHÍ MINH KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC NHỮNG YẾU TỐ TÁC ĐỘNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƢƠNG MẠI VIỆT NAM Ngành: Tài chính – Ngân hàng Mã số: 7 34 02 01 Họ và tên sinh viên: NGUYỄN THỊ ANH THƢ Mã số sinh viên: 050607190512 Lớp sinh hoạt: HQ7 – GE17 NGƢỜI HƢỚNG DẪN KHOA HỌC TS.

BÙI ĐAN THANH TP. HỒ CHÍ MINH, NĂM 2023 i TÓM TẮT KHÓA LUẬN Tình trạng nợ xấu (Non – performing loan/NPL) là một vấn đề đáng quan ngại hàng đầu tại các NHTM trong suốt tiến trình phát triển do nó có ảnh hƣởng xấu đến hầu hết nền kinh tế cũng nhƣ cả hệ thống ngân hàng. Bởi lý do này, tác giả đã lựa chọn và tiến hành một nghiên cứu để tìm ra các yếu tố ảnh hƣởng đến nợ xấu của các NHTM Việt Nam. Mục tiêu của nghiên cứu xem NPL của 25 NHTM bị yếu tố nào tác động và tác động nhƣ thế nào.Nghiên cứu sử dụng các phƣơng pháp nhƣ mô Pooled OLS, Random Effect Model – REM và Fixed Effect Model – FEM để phân tích đánh giá, và sau đó lựa chọn mô hình hợp lý là FEM.

Tiếp đến, tác giả đã kiểm định nhằm tăng tính thuyết phục. Đặc biệt, phƣơng pháp GMM cũng đƣợc sử dụng để đo lƣờng, khắc phục các vấn đề mô hình gặp phải. Kết quả thực nghiệm phản ánh rằng có năm yếu tố thuộc về nội tại ngân hàng và hai yếu tố vĩ mô ảnh hƣởng đến NPL của các NHTM. Các yếu tố đặc điểm của ngân hàng có tác động cùng hƣớng đến mức độ nợ xấu của ngân hàng, bao gồm NPLt−1 , LLR, ETA.

Các biến SIZE và ROA lại có tác động ngƣợc hƣớng lên NPL. Hai yếu tố vĩ mô, nghiên cứu cho thấy GDP và COVID19 có tác động cùng chiều lên NPL. Căn cứ vào kết thực nghiệm, tác giả đƣa ra một vài khuyến nghị NHTM trong việc quản trị các rủi ro tín dụng và nhằm quản lý tốt NPL, và hạn chế tình trạng này. Từ khóa: Nợ xấu, NPL, Ngân hàng thƣơng mại, FEM, GMM.

ii ABSTRACT Non-performing loans (NPLs) represent a critical concern for the banking sector, significantly impacting not only individual financial institutions but also the broader economy and the stability of the entire banking system. To address this pressing issue, a comprehensive research study was conducted to identify the factors influencing NPLs within the context of Vietnamese commercial banks. The primary objective of this research was to investigate which specific factors affect NPL levels in a sample of 25 commercial banks and to understand the nature of these effects. The study employed a range of methodological approaches, including Pooled Ordinary Pooled OLS, REM, and FEM, to rigorously assess and analyze the available data.

Subsequently, the FEM was chosen as the most suitable model for the analysis. Diagnostic tests were also carried out to enhance the robustness of the results. Notably, the GMM was employed to address potential model-related challenges and endogeneity concerns. The empirical findings revealed five bank- specific factors and two macroeconomic factors that influence NPL levels in commercial banks.

Bank-specific factors such as NPL levels in the previous period NPLt−1 , LLR, and Efficiency (ETA) exhibited a positive impact on NPL levels. In contrast, variables SIZE and ROA were found to have a negative correlation with NPL levels. Among the macroeconomic factors, both GDP and the COVID19 pandemic were identified as having a positive effect on NPL levels. Drawing from the empirical results, the study offered several recommendations for commercial bank management.

These recommendations aimed to strengthen credit risk management practices and effectively mitigate NPL-related challenges, ultimately reducing the prevalence of non-performing loans in the banking sector. Keywords: Non-performing loans, NPL, Commercial banks, FEM, GMM. iii LỜI CAM ĐOAN Tôi tên Nguyễn Thị Anh Thƣ, tôi xin cam đoan đề tài “Những yếu tố tác động đến nợ xấu của các ngân hàng thƣơng mại Việt Nam” là công trình nghiên cứu của riêng tôi. Những nội dung bài nghiên cứu này là do bản thân tác giả thực hiện dƣới sự hƣớng dẫn trực tiếp của TS.

Bùi Đan Thanh. Trong khóa luận, tất cả các số liệu và kết quả đƣợc trình bày đều tuân thủ nguyên tắc minh bạch, có nguồn gốc rõ ràng và đƣợc công bố theo quy định. Tác giả đã tự tìm hiểu, tiến hành nghiên cứu và phân tích khách quan, trung thực, không sao chép các bài nghiên cứu đã công bố trƣớc đây. Các thông tin nghiên cứu của các tác giả trƣớc đây đƣợc trích dẫn nguồn đầy đủ và đồng thời vẫn đảm bảo đƣợc tính thực tiễn và phù hợp với bối cảnh Việt Nam.

Hồ Chí Minh, ngày 25 tháng 08 năm 2023 Tác giả Nguyễn Thị Anh Thƣ iv LỜI CẢM ƠN Sau bốn năm học tập tại trƣờng Đại Học Ngân Hàng TP. Hồ Chí Minh, tôi đã nhận đƣợc rất nhiều bài học quý báu đƣợc truyền lại từ các Quý Thầy/Cô tại trƣờng. Tôi xin chân thành tỏ lòng biết ơn thành kính đến toàn thể Ban lãnh đạo, các Thầy và Cô, là những ngƣời lái đò giúp tôi hoàn thiện trên chặn đƣờng cuối cùng trƣớc khi tôi chính thức đặt chân vào một trang mới trong cuộc đời của mình. Tiếp theo tôi xin gửi lời cảm ơn sâu sắc nhất đến TS.

Bùi Đan Thanh ngƣời thầy đã giúp đỡ, hƣớng dẫn tôi từng bƣớc hoàn thiện khóa luận tốt nghiệp của bản thân. Nhờ có sự nhiệt tình và tâm huyết của cô mà tôi mới có thể hoàn thành tốt bài nghiên cứu của mình. Và cuối cùng tôi rất biết ơn gia đình, bạn bè những ngƣời đã ở bên cạnh và động viên tôi mọi lúc mọi nơi để tôi có thêm sức mạnh vƣợt lên hoàn thiện tốt nhất bài khóa luận tốt nghiệp đại học. Chân thành cảm ơn vì tất cả.

Bên cạnh đó, bởi vì quỹ thời gian eo hẹp chính vì vậy những kết quả trình bày trong khóa luận này có thể sẽ không phải là một kết quả hoàn thiện và xuất sắc nhất. Do đó tôi rất mong nhận đƣợc sự thông cảm và góp ý chỉ dạy quý báu từ Quý Thầy/Cô. Tôi xin chân thành cảm ơn! TP. Hồ Chí Minh, ngày 25 tháng 08 năm 2023 Tác giả Nguyễn Thị Anh Thƣ v MỤC LỤC Trang TÓM TẮT KHÓA LUẬN.

ii LỜI CAM ĐOAN. iii LỜI CẢM ƠN. iv MỤC LỤC .v DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT. ix DANH MỤC BẢNG BIỂU VÀ HÌNH ẢNH.

xi CHƢƠNG 1. GIỚI THIỆU NGHIÊN CỨU. Lý do nghiên cứu. 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 nghiên cứu.

Tính mới của đề tài. Ý nghĩa của đề tài. Kết cấu của nghiên cứu .6 KẾT LUẬN CHƢƠNG 1. CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU THỰC NGHIỆM.

Các khái niệm cơ bản:. Rủi ro tín dụng:. Phân loại nợ xấu:. Trên thế giới:.

Tại Việt Nam. Lý thuyết các nhân tố tác động đến nợ xấu. Lý thuyết thông tin bất cân xứng (Asymmetric Information Theory). Lý thuyết chu kỳ kinh doanh (Business Cycle Theory).

Lý thuyết kênh cho vay (Bank Lending Channel Theory). Các nghiên cứu thực nghiệm về nợ xấu. Các nghiên cứu nƣớc ngoài về nợ xấu. Các nghiên cứu trong nƣớc.

Các yếu tố tác động đến nợ xấu tại các NHTM. Các yếu tố vĩ mô tác động đến nợ xấu. Các yếu tố vi mô tác động đến nợ xấu .21 KẾT LUẬN CHƢƠNG 2. PHƢƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU.

Mô hình nghiên cứu. Khái quát về mô hình nghiên cứu. Giải thích và đƣa ra kỳ vọng về dấu của các biến. Mẫu và dữ liệu nghiên cứu:.

Quy trình nghiên cứu: .34 KẾT LUẬN CHƢƠNG 3 .37 CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU. Thống kê mô tả. Tƣơng quan mô hình nghiên cứu:. Kiểm định hiện tƣợng đa cộng tuyến.

Kiểm định hiện tƣợng phƣơng sai không thay đổi. Kiểm định hiện tƣợng tự tƣơng quan. Phân tích kết quả hồi quy từ mô hình OLS, FEM, REM. So sánh mô hình POOLED OLS với mô hình FEM.

So sánh mô hình FEM với mô hình REM. Kiểm định khuyết tật mô hình FEM. Ƣớc lƣợng mô hình theo phƣơng pháp GMM. Thảo luận về kết quả nghiên cứu .53 KẾT LUẬN CHƢƠNG 4.

KẾT LUẬN VÀ KHUYẾN NGHỊ. Một số khuyết nghị. Hạn chế của đề tài và hƣớng đi mới cho các nghiên cứu tiếp theo. Hạn chế của đề tài.

Hƣớng đi mới cho các nghiên cứu tiếp theo .63 KẾT LUẬN CHƢƠNG 5 .64 DANH MỤC TÀI LIỆU THAM KHẢO .65 viii PHỤ LỤC .72 ix DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT CHỮ VIẾT NGUYÊN NGHĨA TIẾNG NGUYÊN NGHĨA TIẾNG VIỆT TẮT ANH BCTC Báo cáo tài chính BCĐKT Bảng cân đối kế toán COVID19 COVID 19 Đại dịch Covid – 19 Tỷ lệ vốn chủ sở hữu trên tổng tài ETA Equity-to-Total Assets Ratio sản FEM Fixed Effects Model Mô hình tác động cố định GDP Gross Domestic Product Tốc độ tăng trƣởng kinh tế Generalized Method of GMM Phƣơng pháp moment tổng quát Moments INF Inflation Rate Tỷ lệ lạm phát LLR Loan Loss Reserves Tỷ lệ dự phòng rủi ro tín dụng LGR Loan Growth Rate Tốc độ tăng trƣởng tín dụng NPL Non-Performing Loan Tỷ lệ nợ xấu Non-Performing Loan Ratio in NPLt−1 Tỷ lệ nợ xấu năm trƣớc the Previous Year NH Ngân hàng NHNN Ngân hàng nhà nƣớc x NHTM Ngân hàng thƣơng mại NHTMCP Ngân hàng thƣơng mại cổ phần Mô hình hồi quy tổng hợp theo POOLED Pooled Ordinary Least Squares phƣơng pháp bình phƣơng nhỏ OLS nhất REM Random Effects Model Mô hình tác động ngẫu nhiên ROA Return on total assets Khả năng sinh lợi SIZE Quy mô ngân hàng xi DANH MỤC BẢNG BIỂU VÀ HÌNH ẢNH Trang Bảng 2. 1 Hình thức phân loại nợ theo IIF. 2 Hình thức phân loại nợ theo World Bank. 3 Hình thức phân loại nợ tại Việt Nam theo quy định của NHNN.

4 Tổng quan các bài nghiên cứu về các yếu tố tác động đến NPL tại các NHTM. 1 Mô tả kỳ vọng về dấu tác động của các biến độc lập. 1 Thống kê mô tả các biến. 2 Ma trận hệ số tƣơng quan giữa các biến.

3 Kiểm định chỉ số VIF. 4 Kiểm định Lagrange. 5 Kiểm định Wooldridge. 6 Hai mô hình Pooled OLS và FEM.

7 Kiểm định F – test. 8 Hai mô hình Pooled OLS và FEM.