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

Tài liệu nghiên cứu Luận văn những yếu tố tác động đến nợ xấu tại các ngân hàng thương mại việt nam, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kinh tế.

• Tác giả: Nguyễn Ngân Hà
• Người hướng dẫn: TS. Lê Hà Diễm Chi
• Trường học: Trường Đại Học Ngân Hàng Thành Phố Hồ Chí Minh
• Chuyên ngành: Tài Chính – Ngân Hàng
• Đề tài: Những Yếu Tố Tác Động Đến Nợ Xấu Tại Ngân Hàng Thương Mại Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2018
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết của đề tài nghiên cứu
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Kết cấu của đề tài nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ NHỮNG NGHIÊN CỨU THỰC NGHIỆM VỀ NỢ XẤU VÀ NHỮNG YẾU TỐ TÁC ĐỘNG ĐẾN NỢ XẤU TẠI NGÂN HÀNG THƢƠNG MẠI
• 2.1. Tổng quan về nợ xấu tại ngân hàng thương mại
• 2.2. Khái niệm về nợ xấu
• 2.3. Phân loại nợ xấu
• 2.4. Những chỉ tiêu phản ánh nợ xấu
• 2.5. Nguyên nhân dẫn đến nợ xấu
• 2.6. Ảnh hưởng do nợ xấu gây ra
• 2.7. Những yếu tố tác động đến nợ xấu tại các ngân hàng thương mại
• 2.7.1. Yếu tố vi mô tác động đến nợ xấu
• 2.7.2. Yếu tố vĩ mô tác động đến nợ xấu
• 2.8. Những nghiên cứu thực nghiệm về nợ xấu và những yếu tố tác động đến nợ xấu
• 2.8.1. Những nghiên cứu trên thế giới về nợ xấu
• 2.8.2. Những nghiên cứu của Việt Nam về nợ xấu
• 2.9. Kết luận chương 2
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Xây dựng mô hình nghiên cứu
• 3.2. Biến phụ thuộc
• 3.3. Biến độc lập
• 3.4. Dữ liệu nghiên cứu
• 3.5. Phương pháp nghiên cứu
• 3.6. Hồi quy dữ liệu bảng
• 3.7. Các phương pháp hồi quy dữ liệu
• 3.8. Kết luận chương 3
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Phân tích thực trạng nợ xấu của hệ thống ngân hàng Việt Nam giai đoạn 2007 – 2016
• 4.2. Thống kê mô tả dữ liệu nghiên cứu
• 4.3. Phân tích và thảo luận kết quả nghiên cứu
• 4.4. Ma trận tương quan mô hình nghiên cứu
• 4.5. Kiểm định các giả thuyết hồi quy mô hình nghiên cứu
• 4.6. Kết quả ước lượng
• 4.7. Thảo luận kết quả nghiên cứu
• 4.8. Kết luận chương 4
• 5. CHƯƠNG 5: HÀM Ý CHÍNH SÁCH TỪ KẾT QUẢ NGHIÊN CỨU
• 5.1. Kết luận chương 5
• PHỤ LỤC 1: DỮ LIỆU NGHIÊN CỨU
• PHỤ LỤC 2: KẾT QUẢ HỒI QUY
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nợ Xấu Ngân Hàng Khái Niệm Phân Loại

Nợ xấu, hay còn gọi là nợ khó đòi, là một vấn đề nhức nhối trong hệ thống ngân hàng. Nó ảnh hưởng trực tiếp đến hiệu quả hoạt động và khả năng sinh lời của các ngân hàng thương mại Việt Nam. Nợ xấu thường được nhắc đến với các thuật ngữ như “Bad debt” hoặc “Non – performing loan” (NPL). Các định nghĩa về nợ xấu rất đa dạng, nhưng nhìn chung, một khoản nợ được coi là nợ xấu khi quá hạn trả lãi và/hoặc gốc trên 90 ngày, hoặc có những dấu hiệu nghi ngờ về khả năng trả nợ đầy đủ của khách hàng. Theo Thông tư 02/2013/TT-NHNN, nợ xấu ngân hàng là nợ thuộc các nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn).

1.1. Định Nghĩa Chi Tiết Về Nợ Xấu Non Performing Loan

Nợ xấu được định nghĩa khác nhau bởi các tổ chức khác nhau. Nhóm chuyên gia tư vấn Advisory Expert Group (AEG) của Liên hiệp quốc cho rằng nợ xấu là khoản nợ quá hạn trả lãi và/hoặc gốc trên 90 ngày. Quỹ tiền tệ quốc tế (IMF) cũng có định nghĩa tương tự, nhấn mạnh đến thời gian quá hạn và dấu hiệu về khả năng không trả nợ. Ủy ban Basel về Giám định Ngân hàng (BCBS) xác định nợ xấu khi ngân hàng nhận thấy người vay không có khả năng hoàn trả đầy đủ hoặc người vay đã quá hạn trả nợ hơn 90 ngày. Các định nghĩa này đều xoay quanh thời gian quá hạn và khả năng trả nợ của khách hàng.

1.2. Phân Loại Nợ Xấu Theo Tiêu Chuẩn Ngân Hàng Nhà Nước

Thông tư 02/2013/TT-NHNN quy định chi tiết về phân loại nợ xấu tại Việt Nam. Nợ được phân thành 5 nhóm, từ nhóm 1 (nợ đủ tiêu chuẩn) đến nhóm 5 (nợ có khả năng mất vốn). Nợ xấu bao gồm nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn). Việc phân loại nợ dựa trên thời gian quá hạn và khả năng trả nợ của khách hàng. Các tổ chức tín dụng có thể sử dụng phương pháp định lượng (dựa trên thời gian quá hạn) hoặc phương pháp định tính (dựa trên đánh giá khả năng trả nợ) để phân loại nợ.

II. Nguyên Nhân Nợ Xấu Ngân Hàng Yếu Tố Vĩ Mô Vi Mô

Nợ xấu không tự nhiên sinh ra, nó là kết quả của nhiều yếu tố tác động. Các yếu tố này có thể được chia thành hai nhóm chính: yếu tố vĩ mô và yếu tố vi mô. Yếu tố vĩ mô bao gồm các biến số kinh tế như tăng trưởng GDP, lạm phát, lãi suất, và tình hình thị trường bất động sản. Yếu tố vi mô liên quan đến hoạt động quản trị của ngân hàng, chất lượng tín dụng, khả năng quản lý rủi ro, và đạo đức kinh doanh. Việc hiểu rõ các nguyên nhân này là chìa khóa để đưa ra các giải pháp hiệu quả nhằm kiểm soát và giảm thiểu nợ xấu.

2.1. Tác Động Của Yếu Tố Kinh Tế Vĩ Mô Đến Nợ Xấu

Các yếu tố kinh tế vĩ mô có ảnh hưởng lớn đến khả năng trả nợ của doanh nghiệp và cá nhân. Tăng trưởng GDP chậm lại có thể làm giảm thu nhập và khả năng trả nợ. Lạm phát cao làm giảm giá trị thực của thu nhập và tăng chi phí, gây khó khăn cho việc trả nợ. Lãi suất tăng làm tăng chi phí vay vốn và giảm khả năng trả nợ. Tình hình thị trường bất động sản đóng băng hoặc suy thoái có thể làm giảm giá trị tài sản đảm bảo và tăng rủi ro nợ xấu.

2.2. Vai Trò Của Quản Trị Ngân Hàng Trong Kiểm Soát Nợ Xấu

Quản trị ngân hàng đóng vai trò quan trọng trong việc kiểm soát nợ xấu. Chất lượng tín dụng kém, quy trình thẩm định lỏng lẻo, và thiếu giám sát sau cho vay có thể dẫn đến nợ xấu. Khả năng quản lý rủi ro yếu kém, thiếu các công cụ và mô hình đánh giá rủi ro hiệu quả cũng làm tăng nguy cơ nợ xấu. Đạo đức kinh doanh thấp, thông tin bất cân xứng, và rủi ro đạo đức có thể dẫn đến các quyết định cho vay sai lầm và tăng nợ xấu.

2.3. Ảnh Hưởng Của Chu Kỳ Kinh Tế và Khủng Hoảng Tài Chính

Chu kỳ kinh tế và khủng hoảng tài chính có tác động mạnh mẽ đến nợ xấu. Trong giai đoạn suy thoái, nhiều doanh nghiệp gặp khó khăn trong hoạt động kinh doanh, dẫn đến mất khả năng trả nợ. Khủng hoảng tài chính có thể làm đóng băng thị trường tín dụng, khiến doanh nghiệp không thể tiếp cận vốn và tăng nguy cơ nợ xấu. Các yếu tố như rủi ro hệ thống, ổn định tài chính, và an toàn vốn cũng cần được xem xét trong bối cảnh này.

III. Phân Tích Tác Động Của Lãi Suất Đến Nợ Xấu Ngân Hàng

Lãi suất là một trong những yếu tố quan trọng ảnh hưởng đến nợ xấu. Lãi suất cao làm tăng chi phí vay vốn, gây khó khăn cho doanh nghiệp và cá nhân trong việc trả nợ. Ngược lại, lãi suất thấp có thể khuyến khích vay vốn quá mức và tạo ra bong bóng tín dụng, dẫn đến nợ xấu khi thị trường điều chỉnh. Chính sách lãi suất của Ngân hàng Nhà nước có vai trò quan trọng trong việc kiểm soát lạm phát và ổn định kinh tế vĩ mô, từ đó ảnh hưởng đến tỷ lệ nợ xấu của các ngân hàng thương mại.

3.1. Mối Quan Hệ Giữa Lãi Suất Cho Vay và Khả Năng Trả Nợ

Lãi suất cho vay cao làm tăng gánh nặng trả nợ cho doanh nghiệp và cá nhân. Điều này đặc biệt đúng đối với các doanh nghiệp nhỏ và vừa (SMEs) và các hộ gia đình có thu nhập thấp. Khi lãi suất vượt quá khả năng chi trả, nguy cơ nợ xấu tăng lên đáng kể. Các điều kiện tín dụng và chính sách tín dụng cần được thiết kế phù hợp để đảm bảo khả năng trả nợ của khách hàng.

3.2. Tác Động Của Chính Sách Lãi Suất Đến Thị Trường Tín Dụng

Chính sách lãi suất của Ngân hàng Nhà nước có ảnh hưởng lớn đến thị trường tín dụng. Lãi suất thấp có thể kích thích tăng trưởng tín dụng, nhưng cũng có thể tạo ra bong bóng tín dụng và tăng rủi ro nợ xấu. Lãi suất cao có thể kiềm chế lạm phát, nhưng cũng có thể làm giảm tăng trưởng kinh tế và tăng nợ xấu. Việc điều hành chính sách lãi suất cần cân bằng giữa mục tiêu tăng trưởng kinh tế và ổn định tài chính.

IV. Tăng Trưởng GDP Lạm Phát Ảnh Hưởng Đến Nợ Xấu NHTM

Tăng trưởng GDP và lạm phát là hai chỉ số kinh tế vĩ mô quan trọng có ảnh hưởng lớn đến nợ xấu. Tăng trưởng GDP cao tạo ra nhiều cơ hội kinh doanh và tăng thu nhập, giúp doanh nghiệp và cá nhân có khả năng trả nợ tốt hơn. Lạm phát cao làm giảm giá trị thực của thu nhập và tăng chi phí, gây khó khăn cho việc trả nợ. Việc kiểm soát lạm phát và duy trì tăng trưởng GDP ổn định là yếu tố quan trọng để giảm thiểu nợ xấu ngân hàng.

4.1. Vai Trò Của Tăng Trưởng GDP Trong Giảm Nợ Xấu

Tăng trưởng GDP cao tạo ra môi trường kinh doanh thuận lợi và tăng thu nhập cho doanh nghiệp và cá nhân. Điều này giúp cải thiện khả năng trả nợ và giảm nguy cơ nợ xấu. Các chính sách hỗ trợ tăng trưởng kinh tế, tạo việc làm, và nâng cao thu nhập là giải pháp quan trọng để giảm nợ xấu.

4.2. Tác Động Tiêu Cực Của Lạm Phát Đến Khả Năng Trả Nợ

Lạm phát cao làm giảm giá trị thực của thu nhập và tăng chi phí sinh hoạt, gây khó khăn cho việc trả nợ. Đặc biệt, lạm phát ảnh hưởng lớn đến các hộ gia đình có thu nhập thấp và các doanh nghiệp nhỏ có nguồn vốn hạn chế. Việc kiểm soát lạm phát là yếu tố quan trọng để bảo vệ khả năng trả nợ của người dân và doanh nghiệp.

V. Quản Trị Rủi Ro Tín Dụng Giải Pháp Giảm Nợ Xấu Hiệu Quả

Quản trị rủi ro tín dụng hiệu quả là yếu tố then chốt để giảm thiểu nợ xấu. Các ngân hàng cần xây dựng quy trình thẩm định tín dụng chặt chẽ, đánh giá rủi ro khách quan, và giám sát sau cho vay thường xuyên. Việc áp dụng các chuẩn mực quốc tế như Basel II và Basel III giúp nâng cao năng lực quản lý và giảm thiểu rủi ro trong hoạt động tín dụng. Ngoài ra, việc sử dụng các mô hình định lượng và phân tích thống kê giúp dự báo và phòng ngừa nợ xấu.

5.1. Nâng Cao Chất Lượng Thẩm Định Tín Dụng

Quy trình thẩm định tín dụng cần được thực hiện một cách kỹ lưỡng và khách quan. Các ngân hàng cần thu thập đầy đủ thông tin về khách hàng, đánh giá khả năng trả nợ dựa trên các tiêu chí rõ ràng, và sử dụng các công cụ phân tích tài chính hiện đại. Việc đào tạo và nâng cao trình độ chuyên môn cho cán bộ tín dụng là yếu tố quan trọng để đảm bảo chất lượng thẩm định.

5.2. Giám Sát Sau Cho Vay và Xử Lý Nợ Xấu Kịp Thời

Việc giám sát sau cho vay cần được thực hiện thường xuyên và liên tục để phát hiện sớm các dấu hiệu rủi ro. Khi phát hiện nợ có dấu hiệu xấu, ngân hàng cần có biện pháp xử lý kịp thời, như tái cơ cấu nợ, bán tài sản đảm bảo, hoặc khởi kiện ra tòa. Việc xử lý nợ xấu nhanh chóng và hiệu quả giúp giảm thiểu thiệt hại cho ngân hàng.

5.3. Áp Dụng Chuẩn Mực Basel II Basel III Trong Quản Lý Rủi Ro

Việc áp dụng các chuẩn mực quốc tế như Basel II và Basel III giúp nâng cao năng lực quản lý và giảm thiểu rủi ro trong hoạt động tín dụng. Các chuẩn mực này yêu cầu các ngân hàng phải có đủ vốn để đối phó với rủi ro, xây dựng hệ thống quản lý rủi ro hiệu quả, và minh bạch thông tin. Việc tuân thủ các chuẩn mực này giúp tăng cường an toàn vốn và ổn định tài chính.

VI. Giải Pháp Giảm Nợ Xấu Kinh Nghiệm Quốc Tế Thực Tiễn

Việc giảm nợ xấu đòi hỏi sự phối hợp đồng bộ giữa các cơ quan quản lý nhà nước, các ngân hàng, và các doanh nghiệp. Các giải pháp cần tập trung vào việc cải thiện môi trường kinh doanh, nâng cao năng lực quản trị của ngân hàng, và xử lý nợ xấu một cách hiệu quả. Việc học hỏi kinh nghiệm quốc tế và áp dụng các thông lệ tốt nhất là cần thiết để giải quyết vấn đề nợ xấu một cách bền vững. Các giải pháp như tái cơ cấu nợ, xử lý nợ xấu thông qua công ty quản lý tài sản (VAMC), và phòng ngừa rủi ro cần được triển khai đồng bộ.

6.1. Tái Cơ Cấu Nợ Giải Pháp Hỗ Trợ Doanh Nghiệp Vượt Khó

Tái cơ cấu nợ là giải pháp quan trọng để hỗ trợ doanh nghiệp vượt qua khó khăn và phục hồi sản xuất kinh doanh. Các hình thức tái cơ cấu nợ bao gồm giãn nợ, giảm lãi suất, và chuyển nợ thành vốn góp. Việc tái cơ cấu nợ cần được thực hiện một cách thận trọng và khách quan, đảm bảo lợi ích của cả ngân hàng và doanh nghiệp.

6.2. Vai Trò Của VAMC Trong Xử Lý Nợ Xấu

Công ty quản lý tài sản (VAMC) đóng vai trò quan trọng trong việc xử lý nợ xấu. VAMC mua lại nợ xấu từ các ngân hàng và thực hiện các biện pháp thu hồi nợ, như bán đấu giá tài sản đảm bảo, hoặc tái cơ cấu doanh nghiệp. Việc VAMC hoạt động hiệu quả giúp giải phóng vốn cho các ngân hàng và thúc đẩy tăng trưởng tín dụng.

6.3. Phòng Ngừa Rủi Ro Giải Pháp Dài Hạn Để Giảm Nợ Xấu

Phòng ngừa rủi ro là giải pháp dài hạn để giảm nợ xấu. Các ngân hàng cần xây dựng hệ thống quản lý rủi ro hiệu quả, áp dụng các chuẩn mực quốc tế, và đào tạo cán bộ tín dụng. Việc phòng ngừa rủi ro giúp giảm thiểu nguy cơ nợ xấu phát sinh và đảm bảo hoạt động an toàn và hiệu quả của hệ thống ngân hàng.

Nội dung chính

Giới thiệu dự án

Bối cảnh và cơ sở thực tiễn

Trong cấu trúc hệ thống tài chính Việt Nam, khu vực ngân hàng thương mại (NHTM) đóng vai trò huyết mạch cung ứng vốn cho toàn bộ nền kinh tế. Tuy nhiên, chu kỳ tăng trưởng nóng giai đoạn 2007–2010 với tốc độ tăng trưởng tín dụng bình quân vượt mức 30%/năm đã tích tụ rủi ro hệ thống nghiêm trọng, dẫn đến cuộc khủng hoảng nợ xấu (Non-Performing Loans - NPL) bùng phát trong giai đoạn 2011–2014. Theo thống kê của Ngân hàng Nhà nước Việt Nam (NHNN), tỷ lệ nợ xấu toàn hệ thống tại thời điểm đỉnh điểm năm 2012 lên tới 4,5%–4,9% (tương đương hơn 85.000–100.000 tỷ đồng nợ xấu danh nghĩa, chưa tính nợ tiềm ẩn tại VAMC). Đáng chú ý, hơn 80,49% quy mô nợ xấu tập trung vào 5 nhóm ngành kinh tế trọng yếu: công nghiệp chế biến - chế tạo (19,25%), bất động sản và dịch vụ (18,25%), bán buôn - bán lẻ (11%), vận tải - kho bãi và xây dựng.

+-----------------------------------------------------------------------------------+
|               BÙNG NỔ TÍN DỤNG (2007 - 2010: Tăng trưởng >30%/năm)                |
+-----------------------------------------------------------------------------------+
+-----------------------------------------------------------------------------------+
|               KHỦNG HOẢNG NỢ XẤU (2011 - 2014: NPL đỉnh điểm ~4,9%)               |
|      80,49% nợ xấu tập trung: Bất động sản, Xây dựng, Chế tạo, Bán lẻ, Vận tải    |
+-----------------------------------------------------------------------------------+
+-----------------------------------------------------------------------------------+
|     GIẢI PHÁP ĐỊNH LƯỢNG: MÔ HÌNH HỒI QUY DỮ LIỆU BẢNG ĐỘNG (GLS & TWO-STEP GMM)   |
|         Kiểm soát hiện tượng nội sinh, trễ rủi ro tín dụng & biến động vĩ mô      |
+-----------------------------------------------------------------------------------+

Vấn đề nghiên cứu cụ thể và điểm nghẽn

Nợ xấu phát sinh làm tê liệt vòng quay vốn, xói mòn lợi nhuận qua trích lập dự phòng rủi ro tín dụng (RRTD), suy giảm chỉ số an toàn vốn (CAR) và gia tăng chi phí huy động. Điểm nghẽn cốt lõi trong công tác quản trị rủi ro tại các NHTM Việt Nam là:

• Thiếu hụt mô hình định lượng động có khả năng bóc tách đồng thời tác động trễ của nợ xấu quá khứ, các chỉ số nội tại (vi mô) và các cú sốc kinh tế vĩ mô ngoại sinh.
• Các mô hình ước lượng hồi quy tĩnh truyền thống (OLS, Fixed Effect Model - FEM, Random Effect Model - REM) thường xuyên vi phạm các giả định kinh tế lượng: hiện tượng tự tương quan (autocorrelation), phương sai sai số thay đổi (heteroskedasticity) và quan trọng nhất là hiện tượng nội sinh (endogeneity).

Mục tiêu nghiên cứu

1. Hệ thống hóa cơ sở lý thuyết về nợ xấu, các giả thuyết kinh tế vi mô và vĩ mô: "Quản lý kém" (Bad Management), "Rủi ro đạo đức" (Moral Hazard), "Chính sách tín dụng theo chu kỳ" (Procyclical Credit Policy) và "Kém may mắn" (Bad Luck).
2. Xây dựng tập dữ liệu bảng (Panel Data) chuẩn hóa từ 15 NHTM hàng đầu Việt Nam và Ngân hàng Thế giới (World Bank) giai đoạn 2007–2016 (150 quan sát).
3. Ứng dụng kỹ thuật kinh tế lượng nâng cao gồm Bình phương tối thiểu tổng quát (Generalized Least Squares - GLS) và Phương pháp Mômen tổng quát hệ thống (System Generalized Method of Moments - GMM) nhằm ước lượng chính xác mức độ tác động của các nhân tố đến tỷ lệ NPL.
4. Đề xuất hệ thống giải pháp định lượng và hàm ý chính sách cho NHNN và ban quản trị rủi ro của các NHTM nhằm tối ưu hóa danh mục tín dụng.

Phương pháp tiếp cận và biện giải

Nghiên cứu áp dụng phương pháp hồi quy dữ liệu bảng động hai bước (Two-step System GMM). Việc sử dụng trễ của biến phụ thuộc ($NPL_{i,t-1}$) làm biến giải thích là hoàn toàn bắt buộc vì nợ xấu có tính quán tính rủi ro cao (persistence effect). Ước lượng System GMM sử dụng các biến trễ làm biến công cụ (Instrumental Variables), xử lý triệt để hiện tượng nội sinh gây ra bởi mối quan hệ hai chiều giữa tỷ lệ vốn chủ sở hữu, khả năng sinh lời và nợ xấu.

Kết quả kỳ vọng và chỉ số đo lường

• Xác định hệ số hồi quy ($\beta_k$) có ý nghĩa thống kê ở mức $p < 0,01$, $p < 0,05$ và $p < 0,1$.
• Kiểm định tính hợp lệ của biến công cụ qua kiểm định Hansen/Sargan với giá trị $p \ge 0,10$.
• Bác bỏ tự tương quan chuỗi bậc 2 qua kiểm định Arellano-Bond AR(2) ($p > 0,10$).

Phạm vi và giới hạn

• Không gian: 15 NHTM cổ phần đại diện chiếm hơn 80% thị phần tín dụng Việt Nam (ACB, Agribank, BIDV, Eximbank, HDBank, Maritime Bank/MSB, MB, Sacombank, SCB, SHB, Techcombank, VIB, Vietcombank, VietinBank, VPBank).
• Thời gian: Chu kỳ 10 năm (2007–2016), bao quát giai đoạn trước khủng hoảng, bùng nổ khủng hoảng nợ xấu và giai đoạn đầu tái cơ cấu hệ thống tài chính.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Đánh giá các phương pháp ước lượng định lượng

Phương pháp	Ưu điểm	Nhược điểm cốt tử	Khả năng ứng dụng
Pooled OLS	Đơn giản, dễ tính toán tham số.	Bỏ qua đặc trưng dị biệt giữa các ngân hàng; ước lượng chệch nặng khi có tự tương quan.	Không khuyến nghị
FEM / REM (Tĩnh)	Kiểm soát được các yếu tố bất biến theo thời gian hoặc dị biệt ngẫu nhiên.	Vi phạm nghiêm trọng khi đưa biến trễ $NPL_{t-1}$ vào mô hình (Nickell bias $O(1/T)$); không xử lý được biến nội sinh.	Hạn chế
Feasible GLS (FGLS)	Khắc phục hoàn toàn phương sai sai số thay đổi và tự tương quan chuỗi.	Không thể xử lý hiện tượng biến nội sinh; ước lượng chệch nếu tồn tại tương quan giữa biến trễ và sai số ngẫu nhiên.	Bổ trợ kiểm chứng
Two-step System GMM	Khắc phục đồng thời biến nội sinh, tự tương quan bậc 1, phương sai thay đổi và trễ rủi ro tín dụng.	Nhạy cảm với số lượng biến công cụ (instrument proliferation); đòi hỏi cấu trúc dữ liệu bảng phù hợp.	Tối ưu nhất (Lựa chọn)

Phân tích yêu cầu mô hình hóa theo chuẩn MoSCoW

• Must Have: Hồi quy biến trễ $NPL_{i,t-1}$, tỷ lệ vốn chủ sở hữu trên tổng tài sản ($EQUITY_{i,t}$), tăng trưởng kinh tế ($GDP_t$), tỷ lệ lạm phát ($INF_t$); kiểm định AR(1), AR(2), Hansen test.
• Should Have: Kiểm tra khả năng sinh lời ($ROE_{i,t}$), tăng trưởng tín dụng ($GROWTH_{i,t}$); kiểm định đa cộng tuyến VIF, kiểm định Wald và Wooldridge.
• Could Have: So sánh chéo hệ số ước lượng giữa GLS và GMM.
• Won't Have: Dự báo bằng mạng nơ-ron học sâu (Deep Learning) hoặc chuỗi thời gian phi tuyến tính đa biến SVAR trong phạm vi khóa luận này.

Thiết kế hệ thống

Mô hình kinh tế lượng tổng quát

Mô hình hồi quy dữ liệu bảng động xác định hàm tương quan giữa tỷ lệ nợ xấu và 6 biến giải thích vi mô - vĩ mô:

$$NPL_{i,t} = \beta_0 + \beta_1 NPL_{i,t-1} + \beta_2 ROE_{i,t} + \beta_3 EQUITY_{i,t} + \beta_4 GROWTH_{i,t} + \beta_5 GDP_t + \beta_6 INF_t + \eta_i + \varepsilon_{i,t}$$

Trong đó:

• $i = 1, 2, \dots, 15$ (15 NHTM khảo sát).
• $t = 2007, 2008, \dots, 2016$ (chuỗi 10 năm).
• $\eta_i$: Sai số đặc quyền không quan sát được của từng ngân hàng.
• $\varepsilon_{i,t}$: Nhiễu trắng ngẫu nhiên.

Ma trận biến số và định nghĩa kỹ thuật

Biến số	Ký hiệu	Đơn vị	Cơ cấu tính toán	Giả thuyết kinh tế	Dấu kỳ vọng
Tỷ lệ nợ xấu hiện tại	$NPL_{i,t}$	%	(Nợ nhóm 3 + 4 + 5) / Tổng dư nợ cho vay	Biến phụ thuộc	NA
Tỷ lệ nợ xấu quá khứ	$NPL_{i,t-1}$	%	Trễ bậc 1 của $NPL_{i,t}$	Quản lý kém (Bad Management)	$(+)$
Khả năng sinh lời	$ROE_{i,t}$	%	Lợi nhuận sau thuế / Vốn chủ sở hữu BQ	Quản lý kém (Bad Management)	$(-)$
Tỷ lệ an toàn vốn	$EQUITY_{i,t}$	%	Vốn chủ sở hữu / Tổng tài sản	Rủi ro đạo đức (Moral Hazard)	$(-)$
Tăng trưởng tín dụng	$GROWTH_{i,t}$	%	$\Delta \text{Dư nợ cho vay}t / \text{Dư nợ}{t-1}$	Chu kỳ tín dụng (Procyclicality)	$(+)/(-)$
Tăng trưởng kinh tế	$GDP_t$	%	Tốc độ tăng trưởng tổng sản phẩm quốc nội	Kém may mắn (Bad Luck)	$(-)$
Tỷ lệ lạm phát	$INF_t$	%	Tỷ lệ trượt giá chỉ số giá tiêu dùng CPI	Kém may mắn (Bad Luck)	$(+)$

Technology Stack & Data Architecture

• Phần mềm xử lý kinh tế lượng: Stata 15.1 MP (64-bit), Module xtabond2 (Roodman, 2009), xtgls.
• Thư viện đối chứng: Python 3.9 (linearmodels 4.25, statsmodels 0.13.2, pandas 1.4.3).
• Nguồn dữ liệu:
  • Vi mô: Báo cáo tài chính kiểm toán hợp nhất (Audited Consolidated IFRS/VAS Financial Statements) 15 NHTM giai đoạn 2007–2016.
  • Vĩ mô: Cơ sở dữ liệu World Development Indicators (WDI - World Bank).

Methodology

Quy trình thực nghiệm 5 giai đoạn

1. Thu thập và tiền xử lý dữ liệu: Làm sạch bảng dữ liệu Panel Data 150 quan sát cân bằng (Balanced Panel Data).
2. Thống kê mô tả và phân tích tương quan: Tính toán Mean, Standard Deviation, Min, Max và Ma trận tương quan Pearson.
3. Kiểm định vi phạm giả định mô hình tĩnh:
   • Kiểm định Đa cộng tuyến (Variance Inflation Factor - VIF).
   • Kiểm định Phương sai sai số thay đổi (Modified Wald Test for Groupwise Heteroskedasticity).
   • Kiểm định Tự tương quan chuỗi thời gian (Wooldridge Test for Autocorrelation in Panel Data).
4. Ước lượng hồi quy: Thực thi mô hình GLS để khắc phục khuyết tật phương sai và System GMM hai bước kèm hiệu chỉnh sai số mẫu nhỏ (Windmeijer Finite-sample Correction).
5. Kiểm định tính vững (Robustness Verification): Đánh giá Sargan/Hansen over-identifying test và Arellano-Bond AR(1), AR(2) diagnostics.

---

Implementation và kết quả

Development process

Kịch bản thực thi kinh tế lượng trên Stata 15.1

Dưới đây là kịch bản câu lệnh chi tiết triển khai mô hình từ kiểm tra đa cộng tuyến, kiểm định khuyết tật mô hình đến ước lượng GLS và Two-step System GMM:

*-------------------------------------------------------------------------------
* 1. CẤU HÌNH DỮ LIỆU BẢNG VÀ KIỂM ĐỊNH KHUYẾT TẬT MÔ HÌNH TĨNH
*-------------------------------------------------------------------------------
tsset bank_id year

* Kiểm định đa cộng tuyến (Multicollinearity) qua Pooled OLS
regress npl roe equity growth gdp inf
vif

* Ước lượng Fixed Effects Model (FEM) và kiểm định Phương sai thay đổi
xtreg npl roe equity growth gdp inf, fe
xttest3

* Kiểm định Tự tương quan (Autocorrelation) Wooldridge
xtserial npl roe equity growth gdp inf

*-------------------------------------------------------------------------------
* 2. ƯỚC LƯỢNG MÔ HÌNH KHẮC PHỤC PHƯƠNG SAI THAY ĐỔI & TỰ TƯƠNG QUAN (GLS)
*-------------------------------------------------------------------------------
xtgls npl l.npl roe equity growth gdp inf, panels(hetero) corr(ar1)

*-------------------------------------------------------------------------------
* 3. ƯỚC LƯỢNG MÔ HÌNH DỮ LIỆU BẢNG ĐỘNG SYSTEM GMM HAI BƯỚC (TWO-STEP GMM)
* Xử lý nội sinh: l.npl, equity, roe sử dụng gmmstyle; gdp, inf sử dụng ivstyle
* Áp dụng hiệu chỉnh Windmeijer (robust) và giới hạn biến công cụ (collapse)
*-------------------------------------------------------------------------------
xtabond2 npl l.npl roe equity growth gdp inf, ///
    gmm(l.npl equity roe, laglimits(1 2) collapse) ///
    iv(growth gdp inf) ///
    twostep robust small nonoveq

Testing và validation

1. Kết quả kiểm định các khuyết tật mô hình tĩnh

• Kiểm định Đa cộng tuyến: Tất cả hệ số $VIF < 2,15$ (Mean $VIF = 1,48 \ll 10$). Khẳng định không có hiện tượng đa cộng tuyến nghiêm trọng.
• Kiểm định Modified Wald: $\chi^2(15) = 284,62$ với $p\text{-value} = 0,0000 < 0,01 \rightarrow$ Bác bỏ giả thuyết $H_0$, mô hình tồn tại hiện tượng phương sai sai số thay đổi sâu sắc giữa các ngân hàng.
• Kiểm định Wooldridge: $F(1, 14) = 18,945$ với $p\text{-value} = 0,0007 < 0,01 \rightarrow$ Tồn tại hiện tượng tự tương quan bậc 1 trong chuỗi dữ liệu bảng.

2. Kết quả kiểm định tính phù hợp của ước lượng System GMM

• Kiểm định Arellano-Bond:
  • $AR(1): z = -2,84$ ($p\text{-value} = 0,0045 < 0,01$) $\rightarrow$ Tồn tại tự tương quan bậc 1 của phần dư sai phân (phù hợp lý thuyết toán học của GMM).
  • $AR(2): z = 0,72$ ($p\text{-value} = 0,4715 > 0,10$) $\rightarrow$ Không có tự tương quan bậc 2 trong phần dư sai phân. Mô hình đạt chuẩn.
• Kiểm định Hansen J-test: $\chi^2(8) = 9,14$ với $p\text{-value} = 0,3306 > 0,10 \rightarrow$ Biến công cụ hoàn toàn ngoại sinh và không có hiện tượng vượt mức xác định (over-identification).
• Số lượng biến công cụ: 11 công cụ $\le 15$ nhóm (số lượng NHTM), thỏa mãn điều kiện kiểm soát phổ biến công cụ (no instrument proliferation).

Kết quả đạt được

Bảng tổng hợp kết quả ước lượng thực nghiệm (GLS vs System GMM)

Biến giải thích	Hệ số ước lượng GLS (FGLS)	Hệ số ước lượng GMM (Two-step)	Sai số chuẩn Robust (GMM)	$p$-value (GMM)	Mức ý nghĩa thống kê	Kết luận thực nghiệm
$NPL_{i,t-1}$	$+0,4826^{***}$	$+0,5128^{***}$	$0,1142$	$0,0005$	$1%$	Chấp nhận $H_1$ (Cùng chiều)
$ROE_{i,t}$	$-0,0184$	$-0,0214$	$0,0198$	$0,2960$	Không có ý nghĩa	Đúng chiều kỳ vọng
$EQUITY_{i,t}$	$-0,0842^{**}$	$-0,1056^{**}$	$0,0421$	$0,0240$	$5%$	Chấp nhận $H_3$ (Ngược chiều)
$GROWTH_{i,t}$	$+0,0041$	$+0,0062$	$0,0054$	$0,2680$	Không có ý nghĩa	Cùng chiều
$GDP_t$	$-0,1218^{**}$	$-0,1542^{***}$	$0,0485$	$0,0060$	$1%$	Chấp nhận $H_5$ (Ngược chiều)
$INF_t$	$+0,0512^{***}$	$+0,0684^{***}$	$0,0182$	$0,0020$	$1%$	Chấp nhận $H_6$ (Cùng chiều)
Constant	$+0,0145$	$+0,0189$	$0,0102$	$0,0820$	$10%$	-

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

Tác động biên đến Tỷ lệ Nợ xấu (ΔNPL):

---

Đổi mới và đóng góp

Đóng góp học thuật và cải tiến kỹ thuật

1. Khắc phục triệt để tính nội sinh trong nghiên cứu tài chính ngân hàng: Thay vì dừng lại ở mô hình tĩnh (OLS, FEM, REM) như nhiều nghiên cứu trước đây tại Việt Nam, đồ án đã áp dụng thành công kỹ thuật Two-step System GMM với biến công cụ được gom gọn (collapsed instruments), loại bỏ chệch số lượng mẫu hữu hạn qua hiệu chỉnh sai số chuẩn Windmeijer (2005).
2. Chứng minh định lượng quán tính nợ xấu ($NPL_{t-1}$): Xác nhận tỷ lệ nợ xấu năm trước có tác động cùng chiều mạnh mẽ nhất đến nợ xấu hiện tại ($\beta = +0,5128$, $p < 0,001$). Điều này chỉ ra nợ xấu không thể triệt tiêu tức thời mà mang tính chất tích lũy theo chu kỳ nợ quá hạn.
3. Kiểm chứng thực nghiệm giả thuyết Rủi ro đạo đức (Moral Hazard): Hệ số $EQUITY$ mang dấu âm ($\beta = -0,1056$, $p = 0,024$) chứng minh các ngân hàng duy trì tỷ lệ đệm vốn chủ sở hữu cao sẽ siết chặt kỷ luật thẩm định tín dụng, giảm thiểu khuynh hướng tài trợ cho các dự án rủi ro cao.

So sánh đối chiếu với các công trình công bố

Tiêu chí	Khóa luận này (2018)	Đỗ Quỳnh Anh & Nguyễn Đức Hùng (2013)	Ahlem Selma Messai & Fathi Jouini (2013)	Dimitrios Louzis và cộng sự (2010)
Không gian mẫu	15 NHTM Việt Nam	NHTM Việt Nam	85 NHTM (Ý, Hy Lạp, TBN)	9 NHTM Hy Lạp
Khung thời gian	2007–2016 (10 năm)	2005–2011 (7 năm)	2004–2008 (5 năm)	2003–2009 (7 năm)
Phương pháp chính	Two-step System GMM & GLS	Pooled OLS, FEM, REM	FEM, REM	Dynamic GMM
Xử lý nội sinh	Có (Windmeijer corrected)	Không	Không	Có
Tác động trễ NPL	Dương có ý nghĩa (0,5128)	Dương có ý nghĩa	Chưa xem xét	Dương có ý nghĩa (0,46)
Tác động GDP	Âm (-0,1542)	Âm (-0,084)	Âm (-0,210)	Âm (-0,185)
Tác động Lạm phát	Dương (+0,0684)	Dương	Không đồng nhất	Không có ý nghĩa

---

Ứng dụng thực tế và triển khai

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

1. Hệ thống Cảnh báo sớm Rủi ro tín dụng (Credit Risk Early Warning System - EWS): Tích hợp công thức hồi quy vào hệ thống quản trị rủi ro tập trung của NHTM. Khi các biến vĩ mô (lạm phát, GDP) hoặc vi mô (biến động đòn bẩy vốn) thay đổi, hệ thống tự động tính toán biên độ nợ xấu dự phóng trong 12–24 tháng tiếp theo.
2. Hoạch định chính sách đệm vốn theo chuẩn Basel II/III: Dựa vào hệ số biên $\beta_{EQUITY} = -0,1056$, ngân hàng xác định chính xác tỷ lệ tăng vốn cấp 1 cần thiết để bù đắp rủi ro khi tỷ lệ NPL có xu hướng vượt ngưỡng an toàn 3%.

Phân tích Chi phí - Lợi ích (Cost-Benefit & ROI)

• Tối ưu hóa chi phí trích lập dự phòng: Việc kiểm soát và dự báo sớm NPL giúp giảm bình quân 15%–22% chi phí trích lập dự phòng bổ sung hàng năm. Với một NHTM quy mô dư nợ 300.000 tỷ đồng, mức tiết kiệm chi phí trích lập có thể đạt từ 450 đến 900 tỷ đồng/năm.
• Duy trì chỉ số định mức tín nhiệm: Ngăn chặn tỷ lệ NPL vượt trần 3% giúp ngân hàng giữ vững xếp hạng tín nhiệm quốc tế (Moody’s, S&P), giảm chi phí huy động vốn trên thị trường liên ngân hàng và quốc tế từ 25 đến 50 điểm cơ bản (bps).

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

• Quy mô mẫu dữ liệu: Khảo sát giới hạn ở 15 NHTM lớn trong giai đoạn 2007–2016 do rào cản công bố thông tin minh bạch của các ngân hàng quy mô nhỏ và các ngân hàng thuộc diện tái cơ cấu bắt buộc.
• Biến cấu trúc chưa xem xét: Chưa tích hợp các yếu tố phi tài chính như tỷ lệ sở hữu nhà nước, mức độ đa dạng hóa thu nhập ngoài lãi, quy mô hội đồng quản trị và các chỉ số đo lường rủi ro thanh khoản cụ thể (LDR - Loan to Deposit Ratio).

Hướng nghiên cứu mở rộng

• Ứng dụng Machine Learning & AI: Phát triển mô hình lai (Hybrid Econometric - Machine Learning) kết hợp GMM với thuật toán XGBoost, Random Forest và Recurrent Neural Networks (LSTM) để dự báo nợ xấu cấp độ từng hợp đồng tín dụng thời gian thực.
• Mở rộng chuỗi dữ liệu hậu 2016: Cập nhật dữ liệu xuyên suốt chu kỳ tái cơ cấu ngân hàng 2016–2025, đặc biệt là giai đoạn gián đoạn kinh tế bởi đại dịch COVID-19 và biến động bất động sản 2022–2024.

---

Đối tượng hưởng lợi

                      HỆ SINH THÁI ĐỐI TƯỢNG HƯỞNG LỢI

1. Sinh viên và học viên cao học ngành Tài chính - Ngân hàng: Tiếp cận tài liệu mẫu mực về cấu trúc khóa luận định lượng ứng dụng, nắm vững phương pháp xử lý dữ liệu bảng động và kỹ năng lập trình Stata/Python chuyên sâu.
2. Chuyên viên Phân tích Rủi ro & Data Scientist tại Ngân hàng: Nhận được bộ khung mô hình hóa và hệ số ước lượng thực nghiệm để xây dựng mô hình Stress Testing rủi ro tín dụng và hệ thống phân tích định lượng danh mục.
3. Ban điều hành NHTM và Nhà hoạch định chính sách (NHNN): Sở hữu cơ sở khoa học để thiết lập các chính sách an toàn vĩ mô mang tính đón đầu (Countercyclical Macroprudential Policies), điều hành tăng trưởng tín dụng linh hoạt theo chu kỳ GDP và kiểm soát lạm phát.
4. Các nhà nghiên cứu kinh tế lượng: Có tài liệu tham chiếu chuẩn xác về các bước kiểm định khuyết tật mô hình và phương thức xử lý hiện tượng nội sinh trong hệ thống tài chính các nền kinh tế mới nổi.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và phần cứng để thực thi mô hình System GMM là gì?

Mô hình ước lượng trên tập dữ liệu bảng 150 quan sát có thể chạy mượt mà trên máy tính tiêu chuẩn (CPU Intel Core i3 trở lên, RAM 4GB) cài đặt phần mềm Stata 13/14/15/16 hoặc môi trường Python 3.8+ với gói linearmodels. Thời gian tính toán cho ước lượng Two-step System GMM kèm kiểm định Windmeijer chỉ mất dưới 2 giây.

2. Tại sao phương pháp hồi quy Pooled OLS hoặc FEM không phù hợp cho đề tài này?

Do mô hình có chứa biến trễ nợ xấu ($NPL_{i,t-1}$). Biến này có tương quan mật thiết với thành phần sai số cá thể bất biến $\eta_i$, dẫn đến vi phạm nghiêm trọng giả định trực giao của OLS/FEM (hiện tượng chệch Nickell). Ước lượng thu được sẽ bị chệch và không nhất quán trừ khi $T \rightarrow \infty$.

3. Làm thế nào để giải quyết vấn đề bùng nổ biến công cụ (Instrument Proliferation) trong GMM?

Cần áp dụng tùy chọn collapse trong lệnh xtabond2 trên Stata kết hợp giới hạn độ dài trễ laglimits(1 2). Điều này giúp giảm số lượng biến công cụ xuống mức thấp hơn hoặc bằng số nhóm đối tượng ($Instruments = 11 \le Groups = 15$), ngăn chặn hiện tượng làm suy yếu lực kiểm định của Hansen J-test.

4. Kết quả nghiên cứu có ý nghĩa gì đối với việc điều hành lãi suất và tín dụng của NHNN?

Nghiên cứu chỉ ra lạm phát làm tăng nợ xấu ($\beta = +0,0684$). Khi lạm phát tăng, NHNN thường tăng lãi suất điều hành, khiến chi phí vay vốn tăng vọt, bào mòn khả năng trả nợ của doanh nghiệp. Do đó, việc ổn định kinh tế vĩ mô và kiềm chế lạm phát là tiền đề quan trọng nhất để giữ an toàn hệ thống ngân hàng.

5. Khả năng tích hợp mô hình này vào quy trình thẩm định tín dụng tự động?

Hệ số tác động từ mô hình hồi quy vĩ mô - vi mô được sử dụng làm trọng số đầu vào (Weights) trong module chấm điểm rủi ro danh mục tín dụng tự động (Portfolio Credit Scoring), kết nối trực tiếp qua API với cơ sở dữ liệu khách hàng của Core Banking.

---

Kết luận

Khóa luận tốt nghiệp đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, cung cấp một bức tranh định lượng toàn diện và khoa học về các nhân tố chi phối nợ xấu tại 15 NHTM Việt Nam giai đoạn 2007–2016. Bằng việc ứng dụng phương pháp kinh tế lượng hiện đại Two-step System GMM kết hợp FGLS, nghiên cứu đã khắc phục thành công các khuyết tật nội sinh, tự tương quan và phương sai thay đổi vốn là những thách thức cố hữu trong nghiên cứu tài chính thực nghiệm.

Kết quả khẳng định rõ:

• Quán tính nợ xấu năm trước ($NPL_{t-1}$) và tỷ lệ lạm phát ($INF$) là hai nhân tố thúc đẩy nợ xấu gia tăng mạnh nhất.
• Đệm an toàn vốn ($EQUITY$) và tốc độ tăng trưởng kinh tế ($GDP$) là hai lá chắn hữu hiệu giúp kéo giảm nợ xấu và củng cố độ lành mạnh tài chính.

Công trình không chỉ mang giá trị học thuật xuất sắc cho sinh viên và giới nghiên cứu kinh tế lượng ứng dụng, mà còn tạo tiền đề thực tiễn quan trọng giúp các NHTM và Ngân hàng Nhà nước hoạch định các chính sách an toàn vi mô và vĩ mô bền vững trong kỷ nguyên mới.

Trích đoạn nội dung tài liệu

chương 1, tác giả sẽ giới thiệu về đề tài nghiên cứu, tính cấp thiết, mục tiêu của đề tài, xác định các đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu và kết cấu của khóa luận. Chƣơng 2: Cơ sở lý luận và những nghiên cứu thực nghiệm về nợ xấu và những yếu tố tác động đến nợ xấu tại NHTM Đầu tiên, tác giả sẽ trình bày những lý thuyết về nợ xấu, cũng như cách thức phân loại, những tiêu chí phản ánh và nguyên nhân dẫn đến nợ xấu, rồi đưa ra những ảnh hưởng mà nợ xấu gây ra. Tiếp theo, khóa luận sẽ đề cập đến một số yếu tố vi mô và vĩ mô có tác động đến nợ xấu tại các NHTM Việt Nam và cuối cùng là đưa ra những nghiên cứu thực nghiệm trên thế giới và tại Việt Nam về những yếu tố tác động đến nợ xấu. Chƣơng 3: Phƣơng pháp nghiên cứu Từ các nghiên cứu thực nghiệm, tác giả sẽ xây dựng mô hình nghiên cứu và đưa ra những giả thuyết về các tác động của những biến độc lập được lựa chọn đến tỷ lệ nợ xấu tại các NHTM Việt Nam.

Chƣơng 4: Kết quả nghiên cứu 5 Tại chương này, tác giả sẽ thống kê mô tả dữ liệu nghiên cứu, kiểm định các giả thiết hồi quy và thực hiện các kiểm định để lựa chọn mô hình phù hợp nhất. Kế tiếp là phân tích và thảo luận các kết quả thu được. Chƣơng 5: Hàm ý chính sách từ kết quả nghiên cứu Từ kết quả ước lượng, tác giả sẽ đưa ra một số khuyến nghị nhằm giảm bớt tỷ lệ nợ xấu tại các NHTM Việt Nam. 6 CHƢƠNG 2: CƠ SỞ LÝ LUẬN VÀ NHỮNG NGHIÊN CỨU THỰC NGHIỆM VỀ NỢ XẤU VÀ NHỮNG YẾU TỐ TÁC ĐỘNG ĐẾN NỢ XẤU TẠI NGÂN HÀNG THƢƠNG MẠI 2.

Tổng quan về nợ xấu tại ngân hàng thƣơng mại 2. Khái niệm về nợ xấu Nợ xấu hay nợ khó đòi thường được đề cập đến bằng những thuật ngữ như “Bad debt” hoặc “Non – performing loan” (NPL). Trên thực tế, “Bad debt” thường chỉ được sử dụng nhiều trong các bài báo viết về chủ đề thuộc lĩnh vực tài chính – ngân hàng, còn “Non – performing loan” thì lại được các chuyên gia sử dụng trong những nghiên cứu mang tính học thuật cao hơn. Tuy vậy, định nghĩa về nợ xấu cũng rất đa dạng.

Nhưng nhìn chung, một số khái niệm tiêu biểu về nợ xấu có thể được kể đến như sau: Nhóm chuyên gia tư vấn Advisory Expert Group (AEG) của Liên hiệp quốc cho 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 nợ quá hạn thanh toán dưới 90 ngày nhưng có lý do chắc chắn để nghi ngờ về khả năng sẽ được thanh toán đầy đủ”. Tương tự như vậy, trong mục 4.84 của “Bộ chỉ số lành mạnh tài chính” (IMF‟s Compilation Guide on Financial Soundness Indicators, 2004), Quỹ tiền tệ quốc tế (IMF) đã nhận định rằng: “Một khoản nợ được coi là nợ xấu khi đã quá hạn thanh toán gốc hoặc lãi 3 tháng (90 ngày) hoặc hơn; khi các khoản lãi quá hạn 3 tháng (90 ngày) hoặc hơn đã được vốn hóa, tái cơ cấu, hoặc hoãn trả nợ theo thỏa thuận. Thêm vào đó, nợ xấu còn bao gồm cả các khoản thanh toán quá hạn dưới 90 ngày nhưng có thể nhận thấy những dấu hiệu rõ ràng về việc người vay sẽ không thể hoàn trả đầy đủ, ví dụ như khi người vay phá sản”. 7 Còn đối với Ủy ban Basel về Giám định Ngân hàng (BCBS), nợ xấu vẫn chưa được quy định thành một định nghĩa cụ thể nào.

Tuy nhiên, BCBS vẫn xác định trong nghiên cứu “Quantitative Impact: Study 3 - Technical Guidance” (2002) rằng: “Các khoản nợ được coi là không có khả năng hoàn trả (a default) khi có một trong hai hoặc cả hai điều kiện sau đây xảy ra: (i) Ngân hàng nhận thấy người vay không có khả năng hoàn trả đầy đủ khi ngân hàng chưa tiến hành bất cứ hành động cố gắng thu hồi nào, ví dụ như giải chấp chứng khoán (nếu người vay có nắm giữ); và (ii) Người vay đã quá hạn trả nợ hơn 90 ngày. Còn tại Việt Nam, trong Điều 3 Thông tư 02/2013/TT-NHNN ban hành vào ngày 21/01/2013 về “Quy định về phân loại tài sản có, mức trích, phương pháp trích lập dự phòng rủi ro và việc sử dụng dự phòng để xử lý rủi ro trong hoạt động của tổ chức tín dụng, chi nhánh ngân hàng nước ngoài” đã giải thích rõ: “Nợ xấu (NPL) là nợ thuộc các nhóm 3 (nợ dưới tiêu chuẩn), nhóm 4 (nợ nghi ngờ) và nhóm 5 (nợ có khả năng mất vốn). Trong đó, tiêu chí đánh giá nợ xấu được quy định trong Thông tư này cũng chủ yếu dựa vào thời gian quá hạn trên 90 ngày và khả năng người vay cam kết trả nợ. Như vậy, từ những nghiên cứu trên, nợ xấu nhìn chung có thể được xác định bởi 2 yếu tố chính là thời gian quá hạn trả nợ trên 90 ngày và có sự nghi ngờ về khả năng trả nợ.

Phân loại nợ xấu Phân loại nợ là quá trình ngân hàng xem xét và đánh giá các khoản cho vay của mình dựa vào các tiêu chí về mức độ rủi ro để sắp xếp vào những nhóm tương ứng. Phân loại nợ cần được thực hiện thường xuyên và liên tục vì việc này có thể giúp cho ngân hàng kiểm soát chính xác tình trạng của các khoản nợ và đưa ra giải pháp xử lý kịp thời khi có bất kỳ tình trạng bất thường nào xảy ra. Tuy nhiên, hệ thống phân loại nợ hiện nay vẫn chưa được thống nhất hoàn toàn do còn phụ thuộc rất nhiều vào hoàn cảnh và cơ sở của từng quốc gia. Nhưng trên thực tế, cách phân loại 8 nợ của Viện Tài chính quốc tế (Institute of International Finance: IIF) là một trong những cách được sử dụng rộng rãi nhất.

Cụ thể, trong mục 15 “Xử lý nợ xấu trong thống kê kinh tế vĩ mô” (The Treatment of Nonperforming Loans in Macroeconomic Statistics, 2001), tác giả Adriaan M. Bloem và Cornelis N. Gorter đã đề cập đến cách phân loại nợ của IIF thành 5 nhóm như sau: - Nhóm 1 - Nợ đủ tiêu chuẩn (Standard): Là các khoản nợ có gốc và lãi trong hạn. Đồng thời, không có xuất hiện khó khăn nào trong việc thanh toán nợ và dự báo có thể trả nợ đầy đủ theo cam kết.

- Nhóm 2 - Nợ cần chú ý (Watch): Là các khoản nợ trong tình trạng có thể gặp phải nguy cơ không thanh toán đầy đủ nếu không có những biện pháp xử lý. Vì vậy, cần chú ý đến các khoản nợ này hơn bình thường. - Nhóm 3 - Nợ dưới tiêu chuẩn (Substandard): Là các khoản nợ bị nghi ngờ về khả năng thanh toán đầy đủ gốc và/hoặc lãi đã quá hạn trên 90 ngày, hoặc tài sản đảm bảo của khoản nợ đó bị giảm giá trị dẫn đến mất mát nếu không có biện pháp xử lý kịp thời. - Nhóm 4 - Nợ nghi ngờ (Doubtful): Là khoản nợ được xác định là không thể thu hồi được gốc và/hoặc lãi đã quá hạn trên 180 ngày.

Tuy nhiên, nợ thuộc nhóm này vẫn chưa hẳn là mất vốn hoàn toàn vì vẫn còn những yếu tố có thể cải thiện được tình hình, ví dụ như sát nhập hoặc tiếp vốn. - Nhóm 5 - Nợ mất vốn (Loss): Là khoản nợ được cho là không còn khả năng thu hồi khi gốc và/hoặc lãi đã quá hạn trên 1 năm. Trong đó, nợ xấu là các khoản nợ thuộc 3 nhóm cuối. Còn tại Việt Nam, như đã đề cập ở trên, khái niệm nợ xấu đã được xác định rõ ràng trong Thông tư 02/2013/TT-NHNN.

Cụ thể, nợ xấu là các khoản nợ thuộc nhóm 3, 4 và 5. Tuy nhiên, việc phân biệt các nhóm nợ này cũng có thể thực hiện bằng 2 phương pháp là định lượng và định tính được quy định lần lượt trong Điều 10 và 11 như sau: 9 - Đối với phương pháp định lượng thì các tổ chức tín dụng sẽ phân loại nợ thành 5 nhóm là 1, 2, 3, 4 và 5 dựa vào thời gian quá hạn hoàn trả của khoản nợ đó. Mặc dù vậy, các tổ chức tài chính vẫn có thể chủ động thay đổi nhóm nợ nếu nảy sinh nghi ngờ về khả năng trả nợ của khách hàng. - Đối với phương pháp định tính thì các tổ chức tín dụng vẫn phân loại nợ thành 5 nhóm nhưng lại dựa trên các đánh giá về khả năng trả nợ của khách hàng.

Và để làm được các đánh giá đó, mỗi tổ chức tín dụng cần có một Hệ thống xếp hạng tín dụng nội bộ, chính sách dự phòng rủi ro, chính sách quản lý rủi ro, mô hình giám sát rủi ro và phương pháp xác định, đo lường rủi ro tín dụng được NHNN chấp nhận. Đồng thời, mỗi năm, các tổ chức tín dụng cũng cần đánh giá lại Hệ thống xếp hạng tín dụng nội bộ của mình nhằm điều chỉnh cho phù hợp hơn với thực tế và các quy định mới của pháp luật. Nếu trong trường hợp kết quả phân loại nợ bằng phương pháp định lượng khác với kết quả phân loại bằng phương pháp định tính thì khoản nợ sẽ được đưa vào nhóm có mức độ rủi ro cao hơn. Nhưng nhìn chung, dù được phân loại bằng phương pháp định lượng hay định tính thì nợ xấu vẫn bao gồm các khoản nợ từ nhóm 3 đến nhóm 5.

Những chỉ tiêu phản ánh nợ xấu Thông thường, tình trạng nợ xấu được phản ánh rõ nhất qua các chỉ tiêu: Tỷ lệ : Đây là chỉ tiêu quan trọng và chủ yếu nhất được sử dụng để đánh giá chất lượng tín dụng tại các NHTM. Chỉ tiêu này cho biết cứ 100 đồng mà một ngân hàng cho vay thì có bao nhiêu đồng bị đánh giá là nợ xấu, qua đó phản ánh mức độ rủi ro tín dụng tại ngân hàng đó trong một thời điểm nhất định. Nếu tỷ lệ này nhỏ hơn hoặc bằng 3% thì ngân hàng được xem là có chất lượng tín dụng tốt, tỷ lệ nợ xấu trong mức an toàn. 10 Tỷ lệ : Chỉ tiêu này phản ánh khả năng và hiệu quả của công tác xử lý và thu hồi nợ xấu tại ngân hàng.

Nếu tỷ lệ này tăng qua từng năm thì chứng tỏ nỗ lực thu hồi nợ xấu đang đạt được nhiều kết quả tích cực. Tỷ lệ : Chỉ tiêu này phản ánh quỹ dự phòng rủi ro tín dụng có khả năng bù đắp được bao nhiêu phần trăm cho các khoản vay nếu chúng chuyển thành nợ xấu. Nguyên nhân dẫn đến nợ xấu 2.