Nợ Xấu Tại Ngân Hàng Thương Mại Việt Nam: Các Nhân Tố Tác Động Đến Tình Hình Tài Chính

Nghiên cứu các nhân tố ảnh hưởng đến nợ xấu tại ngân hàng thương mại cổ phần Việt Nam, cung cấp cái nhìn sâu sắc về vấn đề tài chính.

• Tác giả: Lê Thị Hương Mai
• Người hướng dẫn: ThS. Nguyễn Thị Như Quỳnh
• Trường học: Trường Đại Học Ngân Hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài Chính
• Đề tài: Các Nhân Tố Tác Động Đến Nợ Xấu Tại Các Ngân Hàng Thương Mại Cổ Phần Việt Nam
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2018
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• TÓM TẮT KHÓA LUẬN
• LỜI CAM ĐOAN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG VÀ HÌNH
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI
• 1.2. MỤC TIÊU NGHIÊN CỨU
• 1.3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.4. PHƯƠNG PHÁP NGHIÊN CỨU VÀ DỮ LIỆU NGHIÊN CỨU
• 1.4.1. Phương pháp nghiên cứu
• 1.4.2. Dữ liệu nghiên cứu của đề tài
• 1.5. KẾT CẤU CỦA KHÓA LUẬN
• 1.6. KẾT LUẬN CHƯƠNG 1
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN VỀ NỢ XẤU VÀ CÁC NHÂN TỐ TÁC ĐỘNG NỢ XẤU TẠI CÁC NGÂN HÀNG THƯƠNG MẠI CỔ PHẦN VIỆT NAM
• 2.1. TỔNG QUAN VỀ NỢ XẤU TRONG NGÂN HÀNG THƯƠNG MẠI
• 2.1.1. Khái niệm nợ xấu
• 2.1.2. Phân loại nợ
• 2.1.3. Tác động của nợ xấu
• 2.2. TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC
• 2.2.1. Các nghiên cứu quốc tế về các nhân tố tác động đến nợ xấu
• 2.2.2. Các nghiên cứu trong nước về các nhân tố tác động đến nợ xấu
• 2.2.3. Tổng hợp lý thuyết các nhân tố tác động đến nợ xấu của NHTM
• 2.3. KẾT LUẬN CHƯƠNG 2
• 3. CHƯƠNG 3: MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. MÔ HÌNH NGHIÊN CỨU VÀ GIẢ THUYẾT NGHIÊN CỨU
• 3.1.1. Biến phụ thuộc
• 3.1.2. Biến độc lập
• 3.2. DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.2.1. Dữ liệu nghiên cứu
• 3.2.2. Phương pháp nghiên cứu
• 3.3. KẾT LUẬN CHƯƠNG 3
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU THỰC NGHIỆM
• 4.1. THỐNG KÊ MÔ TẢ
• 4.2. KẾT QUẢ MÔ HÌNH NGHIÊN CỨU
• 4.2.1. Phân tích tương quan mô hình nghiên cứu
• 4.2.2. Lựa chọn mô hình phù hợp
• 4.2.3. Kiểm định các giả thiết hồi quy mô hình nghiên cứu
• 4.2.4. Ước lượng mô hình theo phương pháp GMM
• 4.2.5. Ước lượng mô hình theo phương pháp FGLS
• 4.3. THẢO LUẬN KẾT QUẢ NGHIÊN CỨU
• 4.3.1. Biến nợ xấu trong quá khứ
• 4.3.2. Biến tốc độ tăng trưởng tín dụng
• 4.3.3. Biến tốc độ tăng trưởng kinh tế GDP
• 4.3.4. Biến tỷ lệ lạm phát
• 4.3.5. Biến tỷ lệ thất nghiệp
• 4.4. KẾT LUẬN CHƯƠNG 4
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. MỘT SỐ KIẾN NGHỊ
• 5.1.1. Đối với ngân hàng thương mại
• 5.1.2. Đối với Ngân hàng Nhà nước Việt Nam
• 5.2. HẠN CHẾ VÀ HƯỚNG NGHIÊN CỨU TIẾP THEO CỦA ĐỀ TÀI
• 5.2.1. Hạn chế của đề tài
• 5.2.2. Đề xuất hướng nghiên cứu tiếp theo
• 5.3. KẾT LUẬN CHƯƠNG 5
• KẾT LUẬN CHUNG
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nợ Xấu Ngân Hàng TMCP Việt Nam Hiện Nay

Nợ xấu đang là yếu tố quan trọng ảnh hưởng đến sự vững chắc của hệ thống tài chính Việt Nam. Việc gia tăng “sức khỏe” cho hệ thống này, đặc biệt là hệ thống ngân hàng, là vô cùng cần thiết. Do đó, việc nghiên cứu các nhân tố tác động đến nợ xấu tại các ngân hàng thương mại Việt Nam là cấp thiết. Theo số liệu từ các báo cáo tài chính, tỷ lệ nợ xấu tăng gấp đôi từ 2% (2006) lên 4.08% (2012). Đến năm 2016, tỷ lệ này giảm xuống 2.52%. Tuy nhiên, quy mô dư nợ xấu vẫn có xu hướng tăng. Nghiên cứu này sẽ tập trung phân tích các yếu tố ảnh hưởng đến nợ xấu và đề xuất các giải pháp phù hợp. Theo Ủy ban Giám sát Tài chính Quốc gia, tỷ lệ nợ xấu năm 2017 là 9.5%, cao hơn nhiều so với con số các ngân hàng tự báo cáo. Dù vậy, đã giảm mạnh từ 11.5% năm 2016.

1.1. Định Nghĩa và Phân Loại Nợ Xấu Theo Chuẩn Quốc Tế

Nợ xấu, theo định nghĩa chung, là các khoản nợ mà người vay không có khả năng trả nợ đúng hạn. Theo chuẩn mực quốc tế, phân loại nợ được thực hiện dựa trên thời gian quá hạn và khả năng thu hồi vốn. Các loại nợ bao gồm nợ chuẩn, nợ dưới tiêu chuẩn, nợ nghi ngờ, và nợ có khả năng mất vốn (nợ nhóm 5). Mỗi loại nợ có mức độ rủi ro khác nhau và đòi hỏi các biện pháp quản lý rủi ro tín dụng khác nhau. World Bank và IMF cũng có các tiêu chí phân loại nợ riêng, phản ánh mức độ nghiêm trọng của vấn đề.

1.2. Thực Trạng Nợ Xấu Tại Các Ngân Hàng Thương Mại Việt Nam

Thực trạng nợ xấu ngân hàng tại Việt Nam cho thấy sự biến động qua các giai đoạn. Giai đoạn 2006-2012, tỷ lệ nợ xấu tăng mạnh do khủng hoảng kinh tế và quản lý rủi ro tín dụng yếu kém. Sau đó, nhờ các biện pháp tái cơ cấu và xử lý nợ, tỷ lệ này đã giảm nhưng vẫn tiềm ẩn nhiều rủi ro. Các ngân hàng thường sử dụng các biện pháp như bán nợ cho VAMC hoặc tái cơ cấu nợ để giảm áp lực nợ xấu trên báo cáo tài chính.

II. Nguyên Nhân Chính Gây Ra Nợ Xấu Tại Ngân Hàng Việt

Nguyên nhân dẫn đến nợ xấu tại các ngân hàng thương mại Việt Nam rất đa dạng, bao gồm cả yếu tố vĩ mô và vi mô. Các yếu tố vĩ mô như lạm phát, GDP, và tăng trưởng kinh tế có ảnh hưởng trực tiếp đến khả năng trả nợ của doanh nghiệp và cá nhân. Bên cạnh đó, chính sách tiền tệ của nhà nước cũng đóng vai trò quan trọng trong việc kiểm soát rủi ro tín dụng. Các yếu tố vi mô bao gồm quản lý rủi ro yếu kém, thẩm định tín dụng không chặt chẽ, và giám sát sau cho vay lỏng lẻo.

2.1. Ảnh Hưởng Của Yếu Tố Vĩ Mô Đến Tỷ Lệ Nợ Xấu

Các yếu tố vĩ mô như tăng trưởng kinh tế chậm lại, lạm phát gia tăng và tỷ lệ thất nghiệp cao đều làm giảm khả năng trả nợ của người vay. Khi GDP giảm, doanh nghiệp gặp khó khăn trong hoạt động sản xuất kinh doanh, dẫn đến mất khả năng trả nợ. Lạm phát làm giảm giá trị thực của thu nhập, khiến người vay khó khăn hơn trong việc trả nợ. Tỷ lệ thất nghiệp cao đồng nghĩa với việc nhiều người mất việc làm và không có khả năng trả nợ.

2.2. Tác Động Từ Quản Lý Rủi Ro Tín Dụng Nội Bộ Ngân Hàng

Quản lý rủi ro tín dụng yếu kém là một trong những nguyên nhân chính gây ra nợ xấu. Các ngân hàng có thể thiếu các quy trình thẩm định tín dụng chặt chẽ, dẫn đến việc cấp tín dụng cho các dự án hoặc khách hàng không đủ khả năng trả nợ. Ngoài ra, việc giám sát sau cho vay lỏng lẻo cũng tạo điều kiện cho nợ quá hạn phát sinh và trở thành nợ xấu.

2.3. Ảnh Hưởng Từ Rủi Ro Đạo Đức và Thông Tin Bất Cân Xứng

Rủi ro đạo đức và thông tin bất cân xứng cũng là những yếu tố quan trọng góp phần vào việc gia tăng nợ xấu. Khi người vay có động cơ sử dụng vốn sai mục đích hoặc che giấu thông tin về khả năng trả nợ, ngân hàng sẽ gặp khó khăn trong việc đánh giá chính xác rủi ro tín dụng. Điều này có thể dẫn đến việc cấp tín dụng cho các dự án không khả thi hoặc khách hàng không đáng tin cậy.

III. Cách Quản Lý Nợ Xấu Hiệu Quả Tại Ngân Hàng TMCP

Quản lý nợ xấu hiệu quả đòi hỏi các ngân hàng phải áp dụng một loạt các biện pháp phòng ngừa và xử lý nợ xấu một cách chủ động. Việc xây dựng và thực hiện chính sách tín dụng chặt chẽ, nâng cao năng lực thẩm định và giám sát tín dụng, và tăng cường trích lập dự phòng rủi ro là những bước quan trọng. Ngoài ra, việc áp dụng các chuẩn mực Basel cũng giúp các ngân hàng quản lý rủi ro tốt hơn.

3.1. Nâng Cao Chất Lượng Thẩm Định Tín Dụng

Thẩm định tín dụng là khâu quan trọng để đánh giá khả năng trả nợ của khách hàng. Các ngân hàng cần nâng cao chất lượng thẩm định bằng cách thu thập đầy đủ thông tin, phân tích kỹ lưỡng và đánh giá khách quan. Việc sử dụng các mô hình chấm điểm tín dụng và các công cụ phân tích rủi ro cũng giúp nâng cao hiệu quả thẩm định.

3.2. Tăng Cường Giám Sát Sau Cho Vay Để Phát Hiện Sớm Nợ Xấu

Giám sát sau cho vay giúp ngân hàng phát hiện sớm các dấu hiệu nợ xấu tiềm ẩn. Các ngân hàng cần xây dựng quy trình giám sát chặt chẽ, thường xuyên theo dõi tình hình tài chính và hoạt động kinh doanh của khách hàng. Khi phát hiện các dấu hiệu bất thường, ngân hàng cần có biện pháp can thiệp kịp thời để ngăn chặn nợ xấu phát sinh.

3.3. Áp Dụng Chuẩn Mực Basel Để Quản Lý Rủi Ro Tín Dụng Tốt Hơn

Các chuẩn mực Basel cung cấp các nguyên tắc và hướng dẫn về quản lý rủi ro tín dụng. Việc áp dụng các chuẩn mực này giúp các ngân hàng nâng cao năng lực quản lý rủi ro, giảm thiểu nợ xấu và đảm bảo an toàn hoạt động. Các chuẩn mực này bao gồm các yêu cầu về vốn, quản lý rủi ro và minh bạch thông tin.

IV. Giải Pháp Xử Lý Nợ Xấu Tại Ngân Hàng TMCP Việt Nam

Xử lý nợ xấu là một quá trình phức tạp và tốn kém. Các ngân hàng có thể sử dụng nhiều phương pháp khác nhau để xử lý nợ xấu, bao gồm bán nợ, phát mại tài sản đảm bảo, tái cơ cấu nợ, và sử dụng dự phòng rủi ro. Nghị quyết 42/2017/QH14 đã tạo điều kiện thuận lợi hơn cho việc xử lý nợ xấu tại Việt Nam.

4.1. Bán Nợ Xấu Cho VAMC và Các Tổ Chức Mua Bán Nợ

Bán nợ xấu cho VAMC hoặc các tổ chức mua bán nợ là một giải pháp phổ biến. Giải pháp này giúp các ngân hàng loại bỏ nợ xấu khỏi bảng cân đối tài sản, cải thiện các chỉ số tài chính và tập trung vào hoạt động kinh doanh chính. Tuy nhiên, giá bán nợ thường thấp hơn giá trị sổ sách, gây ra thiệt hại cho ngân hàng.

4.2. Phát Mại Tài Sản Đảm Bảo Để Thu Hồi Vốn

Phát mại tài sản đảm bảo là một giải pháp khác để thu hồi vốn từ nợ xấu. Tuy nhiên, quá trình phát mại có thể kéo dài và gặp nhiều khó khăn pháp lý. Giá trị tài sản đảm bảo cũng có thể giảm so với thời điểm cấp tín dụng, ảnh hưởng đến khả năng thu hồi vốn của ngân hàng.

4.3. Tái Cơ Cấu Nợ Để Hỗ Trợ Khách Hàng Vượt Qua Khó Khăn

Tái cơ cấu nợ là một giải pháp giúp khách hàng vượt qua khó khăn tài chính và có khả năng trả nợ trong tương lai. Các hình thức tái cơ cấu nợ bao gồm gia hạn thời gian trả nợ, giảm lãi suất, và chuyển đổi nợ thành vốn góp. Tuy nhiên, tái cơ cấu nợ có thể làm tăng rủi ro tín dụng cho ngân hàng nếu khách hàng vẫn không thể trả nợ.

V. Ứng Dụng Nghị Quyết 42 Xử Lý Nợ Xấu Hiệu Quả Thực Tế

Nghị quyết 42/2017/QH14 về thí điểm xử lý nợ xấu của các tổ chức tín dụng đã mang lại những hiệu quả tích cực trong việc đẩy nhanh quá trình xử lý nợ xấu tại Việt Nam. Nghị quyết này tạo điều kiện thuận lợi hơn cho việc thu giữ và xử lý tài sản đảm bảo, giúp các ngân hàng thu hồi vốn nhanh hơn. Theo Nguyễn Mạnh Hùng (2016), VAMC đóng vai trò quan trọng, chiếm 42% trong việc xử lý nợ xấu.

5.1. Tác Động Của Nghị Quyết 42 Đến Thị Trường Mua Bán Nợ

Nghị quyết 42 đã thúc đẩy sự phát triển của thị trường mua bán nợ tại Việt Nam. Các tổ chức mua bán nợ có thể tham gia vào quá trình xử lý nợ xấu, giúp các ngân hàng giảm áp lực và cải thiện hiệu quả hoạt động. Nghị quyết này cũng tạo ra một môi trường pháp lý rõ ràng hơn cho thị trường mua bán nợ.

5.2. Thách Thức Và Hạn Chế Của Nghị Quyết 42 Trong Thực Tiễn

Mặc dù mang lại nhiều hiệu quả tích cực, Nghị quyết 42 vẫn còn một số thách thức và hạn chế trong thực tiễn. Việc thu giữ và xử lý tài sản đảm bảo vẫn gặp nhiều khó khăn do thủ tục pháp lý phức tạp và sự phản đối từ phía người vay. Ngoài ra, việc định giá nợ xấu cũng là một thách thức lớn do thiếu thông tin và tính thanh khoản thấp của thị trường.

VI. Kết Luận Giải Pháp Giảm Nợ Xấu Ngân Hàng TMCP

Việc kiểm soát nợ xấu là một nhiệm vụ quan trọng để đảm bảo sự ổn định và phát triển bền vững của hệ thống ngân hàng. Các ngân hàng cần chủ động áp dụng các biện pháp phòng ngừa, quản lý và xử lý nợ xấu một cách toàn diện. Đồng thời, Ngân hàng Nhà nước cũng cần tiếp tục hoàn thiện khung pháp lý và chính sách để hỗ trợ các ngân hàng trong quá trình này.

6.1. Kiến Nghị Đối Với Ngân Hàng Thương Mại Cổ Phần

Các NHTMCP cần nâng cao năng lực quản lý rủi ro tín dụng, tăng cường thẩm định và giám sát tín dụng, và chủ động xử lý nợ xấu. Đồng thời, các ngân hàng cũng cần đa dạng hóa danh mục tín dụng, giảm thiểu sự phụ thuộc vào một số ngành hoặc khách hàng nhất định. Việc đầu tư vào công nghệ và đào tạo nguồn nhân lực cũng là yếu tố quan trọng để nâng cao hiệu quả hoạt động và giảm thiểu nợ xấu.

6.2. Giải Pháp Chính Sách Từ Ngân Hàng Nhà Nước Việt Nam

NHNN cần tiếp tục hoàn thiện khung pháp lý và chính sách về quản lý rủi ro tín dụng và xử lý nợ xấu. NHNN cũng cần tăng cường giám sát hoạt động của các ngân hàng, đảm bảo tuân thủ các quy định về an toàn vốn và quản lý rủi ro. Ngoài ra, việc thúc đẩy sự phát triển của thị trường mua bán nợ cũng là một giải pháp quan trọng để hỗ trợ các ngân hàng trong quá trình xử lý nợ xấu.

Nội dung chính

Giới thiệu dự án

Nợ xấu (Non-Performing Loans - NPL) luôn được xem là "cục máu đông" đe dọa sự an toàn thanh khoản và tính bền vững của toàn bộ hệ thống tài chính quốc gia. Theo số liệu từ Ngân hàng Nhà nước Việt Nam (NHNN) và Ủy ban Giám sát Tài chính Quốc gia, tỷ lệ nợ xấu nội bảng của hệ thống ngân hàng thương mại (NHTM) giai đoạn 2006–2012 đã tăng vọt từ 2,00% lên đỉnh điểm 4,08%. Nếu tính gộp cả các khoản nợ tiềm ẩn rủi ro và nợ đã bán cho Công ty Quản lý tài sản của các tổ chức tín dụng Việt Nam (VAMC), tổng nợ xấu toàn hệ thống tính đến tháng 09/2017 ước tính lên tới 566.000 tỷ đồng (tương đương 8,61% tổng dư nợ), trong đó phương thức xử lý qua VAMC chiếm 42% và trích lập dự phòng rủi ro chiếm 27%.

Thực trạng trên đặt ra bài toán cấp bách: việc xử lý nợ xấu hiện nay phần lớn mang tính cơ học (chuyển giao ngoại bảng) mà chưa giải quyết tận gốc nguyên nhân phát sinh. Khóa luận tốt nghiệp chuyên ngành Tài chính - Ngân hàng với đề tài "Các nhân tố tác động đến nợ xấu tại các Ngân hàng Thương mại Cổ phần Việt Nam" do tác giả Lê Thị Hương Mai thực hiện (Đại học Ngân hàng TP. Hồ Chí Minh) tập trung xây dựng mô hình định lượng chuyên sâu nhằm bóc tách toàn diện các nhân tố vi mô nội tại và vĩ mô nền kinh tế chi phối đến nợ xấu giai đoạn 2006–2016.

Mục tiêu nghiên cứu cụ thể

1. Hệ thống hóa cơ sở lý luận, chuẩn mực phân loại nợ quốc tế (World Bank, IIF, Basel) và quy định pháp lý của Việt Nam (Thông tư 02/2013/TT-NHNN, Thông tư 09/2014/TT-NHNN).
2. Xây dựng bộ chỉ tiêu tài chính vi mô kết hợp các biến số kinh tế vĩ mô từ World Bank để mô hình hóa tác động lên nợ xấu của 25 NHTMCP Việt Nam trong 10 năm liên tục (2006–2016).
3. Thực hiện chuỗi quy trình ước lượng kinh tế lượng: Pooled OLS, Fixed Effects Model (FEM), Random Effects Model (REM), kiểm định Generalized Method of Moments (GMM) và hiệu chỉnh bằng Feasible Generalized Least Squares (FGLS).
4. Định lượng chính xác hệ số co giãn, chiều hướng tác động của từng nhân tố; giải thích cơ chế truyền dẫn và đề xuất khung giải pháp quản trị rủi ro tín dụng chủ động cho các ngân hàng và NHNN.

Phạm vi và giới hạn nghiên cứu

• Không gian: 25 NHTMCP tại Việt Nam đáp ứng tiêu chí hoạt động liên tục và công bố báo cáo tài chính kiểm toán minh bạch giai đoạn 2006–2016 (loại trừ các ngân hàng sáp nhập thiếu dữ liệu chuỗi).
• Thời gian: Chuỗi dữ liệu bảng (panel data) 10 năm (2006–2016) bao gồm cả chu kỳ trước, trong và sau khủng hoảng tài chính toàn cầu 2008.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu các nhân tố tác động đến nợ xấu đã được triển khai rộng rãi trên thế giới và tại Việt Nam. Bảng so sánh dưới đây tổng hợp các hướng tiếp cận chính:

Tiêu chí	Nghiên cứu quốc tế (Salas & Saurina 2002, Klein 2013, Ghosh 2015)	Nghiên cứu trong nước trước 2015 (Đỗ Quỳnh Anh 2013, Nguyễn Thị Hồng Vinh 2015)	Đề tài nghiên cứu (Lê Thị Hương Mai, 2018)
Phạm vi dữ liệu	16–75 quốc gia hoặc toàn bộ hệ thống ngân hàng thương mại Mỹ/Châu Âu.	10–32 NHTM Việt Nam, chuỗi dữ liệu dừng lại ở năm 2013 hoặc 2014.	25 NHTMCP Việt Nam, cập nhật chuỗi thời gian hoàn chỉnh 2006–2016 (275 quan sát).
Phương pháp ước lượng	Dynamic Panel GMM (Arellano-Bond), Pooled OLS, FEM.	Pooled OLS, FEM, REM, SGMM (System GMM).	Pooled OLS $\rightarrow$ FEM/REM $\rightarrow$ GMM $\rightarrow$ FGLS xử lý triệt để phương sai thay đổi.
Xử lý khuyết tật mô hình	Đa số giả định GMM thỏa mãn điều kiện Sargan/Hansen với mẫu $N$ rất lớn.	Bỏ qua hiện tượng kiểm định Sargan không đạt khi số lượng nhóm ngân hàng nhỏ ($N=25$).	Đánh giá nghiêm ngặt kiểm định Sargan/AR(2); chuyển giao sang FGLS đảm bảo tính vững của tham số.

Ma trận ưu tiên yêu cầu phân tích dữ liệu (MoSCoW)

• Must-have (Bắt buộc): Đo lường biến phụ thuộc $NPL_{it} = \ln(\text{Nợ nhóm 3, 4, 5} / \text{Tổng dư nợ})$; kiểm định đa cộng tuyến qua Variance Inflation Factor (VIF); kiểm định lựa chọn mô hình qua Hausman Test.
• Should-have (Nên có): Kiểm định phương sai sai số thay đổi (Modified Wald Test) và tự tương quan bậc nhất (Durbin-Watson/Wooldridge Test).
• Could-have (Có thể có): Thử nghiệm hồi quy động GMM hai bước (Arellano-Bond) để kiểm soát nội sinh của biến trễ $NPL_{i,t-1}$.
• Won't-have (Không áp dụng): Mô hình cấu trúc mạng nơ-ron phi tuyến tính do tính chất yêu cầu giải thích rõ ràng hệ số biên kinh tế lượng tài chính.

Thiết kế hệ thống

Khung nghiên cứu kinh tế lượng được chuẩn hóa theo phương trình hồi quy dữ liệu bảng đa biến:

$$\ln(NPL_{it}) = \beta_0 + \beta_1 \ln(NPL_{i,t-1}) + \beta_2 \ln(SIZE_{it}) + \beta_3 \ln(CREDIT_{it}) + \beta_4 \ln(ROE_{it}) + \beta_5 GDP_{it} + \beta_6 INF_{it} + \beta_7 UNT_{it} + \varepsilon_{it}$$

Trong đó:

• $i = 1, \dots, 25$ đại diện cho 25 ngân hàng thương mại cổ phần.
• $t = 2006, \dots, 2016$ đại diện cho chuỗi 10 năm quan sát.
• Việc lấy logarit tự nhiên ($\ln$) đối với các biến tỷ lệ giúp chuẩn hóa phân phối dữ liệu về dạng đối xứng trên tập số thực $[-\infty, +\infty]$, hạn chế hiện tượng lệch phân phối.

+-----------------------------------------------------------------------------------+
|                            CẤU TRÚC DỮ LIỆU NGHIÊN CỨU                            |
+-----------------------------------------------------------------------------------+
|  [DỮ LIỆU VI MÔ BÁO CÁO TÀI CHÍNH]        [DỮ LIỆU VĨ MÔ WORLD BANK & IMF]       |
|  - NPL (Nợ xấu nhóm 3,4,5 / Tổng nợ)      - GDP (Tăng trưởng kinh tế thực)       |
|  - SIZE (ln(Tổng tài sản))                - INF (Tỷ lệ lạm phát hàng năm)        |
|  - CREDIT (Tốc độ tăng trưởng dư nợ)     - UNT (Tỷ lệ thất nghiệp)              |
|  - ROE (Lợi nhuận ròng / Vốn CSH)                                                 |
+------------------------------------------+----------------------------------------+
                                           |
                                           v
+-----------------------------------------------------------------------------------+
|                          BỘ CÔNG CỤ VÀ PHẦN MỀM XỬ LÝ                             |
|  - Phần mềm: Stata Statistical Software Version 13.0 / 14.0                       |
|  - Package: `xtreg`, `hausman`, `estat vif`, `xttest3`, `xtabond2`, `xtgls`       |
+-----------------------------------------------------------------------------------+

Methodology

Quy trình nghiên cứu định lượng tuân thủ quy chuẩn 5 giai đoạn:

1. Thu thập và tiền xử lý dữ liệu: Bóc tách BCTC kiểm toán của 25 NHTMCP và trích xuất chỉ số vĩ mô từ World Bank Open Data; chuẩn hóa thành dạng Unbalanced Panel Data ($N=25, T=11, N \times T = 275$ quan sát lý thuyết, 269–218 quan sát thực tế khả dụng sau khi lấy trễ).
2. Thống kê mô tả & Phân tích ma trận tương quan Pearson: Xác định mối liên hệ ban đầu, tầm soát đa cộng tuyến qua ngưỡng chấp nhận hệ số tương quan $r < 0,80$ và $VIF < 10$.
3. Ước lượng tĩnh (Static Panel Estimation): Chạy song song Pooled OLS, Fixed Effects Model (FEM) và Random Effects Model (REM).
4. Kiểm định giả định mô hình: Thực hiện Hausman Test ($\text{H}_0$: REM tối ưu) để chọn lựa FEM hay REM; kiểm định Modified Wald Test cho phương sai sai số thay đổi.
5. Hiệu chỉnh mô hình nâng cao: Đánh giá tính khả thi của Dynamic Panel GMM; sau đó áp dụng Feasible Generalized Least Squares (FGLS) với cấu trúc ma trận hiệp phương sai hiệu chỉnh để thu được ước lượng không chệch và có phương sai tối thiểu (BLUE).

---

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được triển khai trực tiếp trên phần mềm Stata 13 theo kịch bản lệnh chuẩn hóa:

* Thiết lập không gian và thời gian cho dữ liệu bảng
xtset bank_id year

* 1. Thống kê mô tả và kiểm tra tương quan
summarize npl gdp inf unt roe credit size
correlate npl l_npl gdp inf unt credit roe size

* 2. Ước lượng Pooled OLS và kiểm tra đa cộng tuyến
regress npl l_npl gdp inf unt credit roe size
estat vif

* 3. Ước lượng mô hình tác động cố định (FEM) và ngẫu nhiên (REM)
xtreg npl l_npl gdp inf unt credit roe size, fe
estimates store fixed_eff
xtreg npl l_npl gdp inf unt credit roe size, re
estimates store random_eff

* 4. Kiểm định Hausman lựa chọn mô hình
hausman fixed_eff random_eff

* 5. Kiểm tra hiện tượng phương sai thay đổi trong mô hình FEM
xttest3

* 6. Ước lượng mô hình FGLS khắc phục phương sai thay đổi
xtgls npl l_npl gdp inf unt credit roe size, panels(hetero)

Testing và validation

Kết quả phân tích chẩn đoán mô hình trên Stata 13 cho thấy các giá trị thống kê cụ thể:

1. Kiểm định đa cộng tuyến (VIF):

   • Chỉ số phóng đại phương sai cao nhất thuộc về biến CREDITit ($VIF = 1,32$), kế tiếp là UNT ($1,31$), INF ($1,24$), SIZE ($1,20$), GDP ($1,17$), ROE ($1,08$).
   • Giá trị VIF trung bình toàn mô hình đạt 1,22 (thấp hơn rất nhiều so với ngưỡng cảnh báo 10), xác nhận không xảy ra hiện tượng đa cộng tuyến nghiêm trọng giữa các biến độc lập.

2. Kiểm định lựa chọn mô hình (Hausman Test):

   • Thống kê $\chi^2(7) = 23,48$ với giá trị $P\text{-value} = 0,0014 < 0,01$.
   • Bác bỏ giả thuyết $\text{H}_0$, khẳng định mô hình tác động cố định (FEM) phù hợp và mang lại ước lượng tin cậy hơn mô hình REM.

+-----------------------------------------------------------------------------------+
|                     BẢNG TỔNG HỢP KẾT QUẢ HỒI QUY SO SÁNH                         |
+-------------------+--------------------+--------------------+---------------------+
| Biến số           | Pooled OLS         | REM                | FEM                 |
+-------------------+--------------------+--------------------+---------------------+
| GDPit             | -22.45925***       | -22.45925***       | -24.17823***        |
|                   | (7.885816)         | (7.885816)         | (7.903077)          |
| UNTit             | -50.85849***       | -50.85849***       | -33.40755*          |
|                   | (18.30622)         | (18.30622)         | (20.00597)          |
| INFit             | 1.172621*          | 1.172621*          | 1.438222**          |
|                   | (0.641936)         | (0.641936)         | (0.7242406)         |
| NPLit-1           | 0.4630961***       | 0.4630961***       | 0.29916***          |
|                   | (0.0632061)        | (0.0632061)        | (0.0733148)         |
| SIZEit            | -0.1220305         | -0.1220305         | 1.204488            |
|                   | (0.3877466)        | (0.3877466)        | (0.8821612)         |
| CREDITit          | -0.0562623         | -0.0562623         | -0.0277163          |
|                   | (0.0408604)        | (0.0408604)        | (0.0495247)         |
| ROEit             | 0.0264713          | 0.0264713          | -0.1107841**        |
|                   | (0.0199734)        | (0.0199734)        | (0.0526507)         |
| Hệ số chặn (_cons)| 0.4477362          | 0.4477362          | -3.526538           |
+-------------------+--------------------+--------------------+---------------------+
| Số quan sát       | 218                | 218                | 218                 |
| R-squared         | 0.3446             | 0.3446 (overall)   | 0.1453 (overall)    |
| Thống kê F / Chi2 | F(7, 210) = 15.77  | Wald Chi2 = 110.40 | F(7, 186) = 11.76   |
| Prob > F / Chi2   | 0.0000             | 0.0000             | 0.0000              |
+-------------------+--------------------+--------------------+---------------------+
Ghi chú: Sai số chuẩn nằm trong dấu (); dấu *, **, *** biểu thị mức ý nghĩa thống kê 10%, 5%, 1%.

3. Kiểm định khuyết tật và lựa chọn mô hình FGLS:
   • Kiểm định Wald trên phần dư FEM phát hiện hiện tượng phương sai sai số thay đổi giữa các ngân hàng ($p < 0,01$).
   • Ước lượng GMM sai phân (DGMM) và GMM hệ thống (SGMM) không thỏa mãn kiểm định biến công cụ Sargan ($p < 0,05$), do số lượng ngân hàng ($N=25$) nhỏ hơn số biến công cụ trễ.
   • Do đó, phương pháp Feasible Generalized Least Squares (FGLS) được lựa chọn làm kết quả cuối cùng để triệt tiêu phương sai thay đổi, đảm bảo các kiểm định thống kê đạt độ chuẩn xác cao nhất.

Kết quả đạt được

Các phát hiện thực nghiệm then chốt từ mô hình FGLS bao gồm:

• Tốc độ tăng trưởng GDP ($GDP_{it}$): Tác động nghịch chiều mạnh mẽ đến nợ xấu tại mức ý nghĩa 1% ($\beta = -24,18$ trong FEM). Nền kinh tế tăng trưởng giúp doanh nghiệp cải thiện dòng tiền và năng lực trả nợ.
• Tăng trưởng tín dụng ($CREDIT_{it}$): Tác động nghịch chiều với nợ xấu ở mức ý nghĩa 1%. Trong ngắn hạn, việc mở rộng tín dụng làm mẫu số (tổng dư nợ) tăng nhanh hơn tốc độ kết tinh nợ xấu; đồng thời các ngân hàng bị kiểm soát tỷ lệ nợ xấu cao thường bị NHNN siết room tín dụng trong năm tiếp theo.
• Tỷ lệ thất nghiệp ($UNT_{it}$): Tác động nghịch chiều có ý nghĩa thống kê 1% (kết quả đặc thù tại thị trường lao động Việt Nam giai đoạn chuyển dịch cơ cấu tín dụng doanh nghiệp - bán lẻ).
• Tỷ lệ lạm phát ($INF_{it}$): Tác động thuận chiều ở mức ý nghĩa 1% ($\beta = 1,44$ trong FEM, $p < 0,05$). Lạm phát gia tăng kéo theo chi phí đầu vào và lãi suất vay tăng, bào mòn khả năng trả nợ của khách hàng.
• Nợ xấu quá khứ ($NPL_{i,t-1}$): Tác động thuận chiều rất mạnh ở mức ý nghĩa 1% ($\beta = 0,299$). Nợ xấu mang tính quán tính cao; các khoản nợ xấu chậm xử lý tích tụ và tiếp tục tạo áp lực lên bảng cân đối kỳ sau.
• Quy mô ngân hàng ($SIZE_{it}$) & Khả năng sinh lời ($ROE_{it}$): Trong mô hình FGLS tổng thể, chưa tìm thấy bằng chứng vững chắc về tác động của quy mô tài sản lên nợ xấu, cho thấy rủi ro tín dụng xuất hiện đồng đều ở cả khối NHTMCP quy mô lớn lẫn quy mô vừa và nhỏ.

---

Đổi mới và đóng góp

1. Chuỗi dữ liệu 10 năm liền mạch và tính cập nhật: Khắc phục hạn chế của các nghiên cứu trước đây (chỉ khảo sát đến 2013 hoặc 2014), đề tài mở rộng khung dữ liệu đến năm 2016, bao quát trọn vẹn chu kỳ tái cơ cấu ngân hàng theo Quyết định 254/QĐ-TTg và sự ra đời của VAMC.
2. Quy trình kiểm định kinh tế lượng chặt chẽ: Thay vì chấp nhận mô hình GMM khi dữ liệu vi phạm kiểm định Sargan, tác giả đã chứng minh tính thiếu bền vững của GMM với mẫu $N=25$ và áp dụng phương pháp FGLS, giúp cải thiện độ chính xác của ước lượng sai số chuẩn lên hơn 30% so với Pooled OLS thông thường.
3. Bằng chứng thực nghiệm về tính ỳ của nợ xấu: Lượng hóa cụ thể tác động của nợ xấu kỳ trước ($\beta \approx 0,30$), cung cấp căn cứ định lượng khẳng định việc trì hoãn phân loại nợ sẽ làm gia tăng chi phí xử lý nợ cấp số nhân trong các kỳ kế tiếp.

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong Quản trị Rủi ro Ngân hàng

+-----------------------------------------------------------------------------------+
|               QUY TRÌNH HỆ THỐNG CẢNH BÁO SỚM NỢ XẤU (EARLY WARNING SYSTEM)       |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [ĐẦU VÀO DỮ LIỆU] --> [MÔ HÌNH DỰ BÁO FGLS/STATA] --> [PHÂN TÍCH CHÊNH LỆCH KỊCH BẢN]
|  - Dự báo GDP, INF     - Trọng số hồi quy thực nghiệm   - Stress testing vĩ mô    |
|  - Tốc độ tăng trưởng   - Nợ xấu trễ NPL_{t-1}          - Dự phóng tỷ lệ nợ xấu   |
|    tín dụng ngân hàng                                                             |
|                                                                                   |
|                                           |                                       |
|                                           v                                       |
|                       +---------------------------------------+                   |
|                       | RA QUYẾT ĐỊNH ĐIỀU HÀNH TÍN DỤNG      |                   |
|                       | - Điều chỉnh hạn mức tín dụng ngành   |                   |
|                       | - Tăng tỷ lệ trích lập dự phòng DPRR  |                   |
|                       | - Đẩy nhanh bán nợ cho VAMC           |                   |
|                       +---------------------------------------+                   |
+-----------------------------------------------------------------------------------+

• Hệ thống cảnh báo sớm (Early Warning System - EWS): Tích hợp các hệ số hồi quy vĩ mô ($GDP, INF$) vào hệ thống EWS của khối Quản lý rủi ro để thực hiện kiểm tra sức chịu tải (Stress Testing) định kỳ hàng quý.
• Kế hoạch vốn và dự phòng rủi ro: Dựa vào quán tính của biến $NPL_{t-1}$, ngân hàng cần chủ động trích lập dự phòng tối thiểu từ 60%–100% dư nợ xấu ngay trong năm phát sinh, tránh tình trạng "dồn nợ" gây sốc chi phí dự phòng trong các năm sau.
• Lộ trình triển khai 4 giai đoạn:
  • Quý 1: Chuẩn hóa dữ liệu tín dụng nội bộ theo chuẩn mực Basel II (phân loại chính xác 5 nhóm nợ theo Thông tư 02/2013).
  • Quý 2: Xây dựng mô hình tính toán xác suất vỡ nợ (PD) có tính đến độ trễ vĩ mô.
  • Quý 3: Tích hợp dashboard cảnh báo chỉ số lạm phát và tăng trưởng tín dụng vào hệ thống phê duyệt tập trung.
  • Quý 4: Đánh giá hiệu quả giảm thiểu nợ xấu và hiệu chỉnh trọng số mô hình.

---

Hạn chế và hướng phát triển

• Hạn chế về dữ liệu: Do một số ngân hàng chưa niêm yết có mức độ minh bạch thông tin chưa đồng đều trong giai đoạn 2006–2010, bộ dữ liệu tồn tại ở dạng bảng không cân bằng (Unbalanced Panel).
• Quy mô mẫu ($N=25$): Kích thước mẫu 25 ngân hàng chưa đủ lớn để khai thác tối đa sức mạnh của mô hình GMM hệ thống (SGMM) hai bước.
• Hướng phát triển tiếp theo:
  • Mở rộng tập dữ liệu đến giai đoạn hậu Nghị quyết 42/2017/QH14 và giai đoạn đại dịch COVID-19.
  • Bổ sung các biến số vi mô chuyên sâu: Tỷ lệ an toàn vốn (CAR), Tỷ lệ cho vay trên huy động (LDR), và chỉ số quản trị chi phí (CIR).
  • Ứng dụng các thuật toán học máy (Machine Learning/XGBoost) kết hợp kinh tế lượng chuỗi thời gian để nâng cao độ chính xác dự báo nợ xấu cá thể.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên cao học: Tiếp cận tài liệu mẫu mực về phương pháp luận nghiên cứu định lượng dữ liệu bảng, cách xử lý kiểm định Hausman, Wald, Sargan và khắc phục khuyết tật mô hình bằng Stata.
• Chuyên viên Phân tích Dữ liệu / Quản trị Rủi ro (Risk Modelers): Nắm vững các đoạn mã Stata thực tế, logic xử lý biến logarit và cấu trúc ma trận tương quan phục vụ xây dựng mô hình rủi ro tín dụng.
• Ban Điều hành Ngân hàng Thương mại: Có cơ sở khoa học định lượng để hoạch định chỉ tiêu tăng trưởng tín dụng an toàn, cân đối giữa mục tiêu sinh lời và rủi ro nợ xấu tiềm ẩn.
• Cơ quan Quản lý Nhà nước (NHNN): Bằng chứng thực nghiệm giúp hoàn thiện chính sách điều hành cung tiền, kiểm soát lạm phát và giám sát an toàn vi mô đối với các tổ chức tín dụng.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và môi trường phần mềm để chạy lại mô hình nghiên cứu này là gì?

Để tái lập toàn bộ kết quả phân tích, máy tính cần cài đặt phần mềm Stata Version 13.0 trở lên (hoặc ngôn ngữ R với các packages plm, systemfit, sandwich). Dữ liệu đầu vào cần được cấu trúc theo định dạng Panel Data (Long format) với hai biến định danh chính là mã ngân hàng (bank_id) và năm quan sát (year).

2. Tại sao nghiên cứu không sử dụng mô hình Pooled OLS mà phải chọn FEM và FGLS?

Mô hình Pooled OLS giả định tất cả các ngân hàng đều đồng nhất và không có đặc thù riêng biệt, dẫn đến ước lượng bị chệch. Kiểm định Hausman ($p = 0,0014 < 0,01$) chứng minh mô hình tác động cố định (FEM) kiểm soát được đặc thù riêng của từng ngân hàng tốt hơn. Tuy nhiên, do FEM xuất hiện hiện tượng phương sai sai số thay đổi (vi phạm giả định OLS), phương pháp FGLS bắt buộc phải được áp dụng để đảm bảo hệ số ước lượng vững và hiệu quả.

3. Tại sao mô hình GMM (Arellano-Bond) lại chưa đủ vững trong nghiên cứu này?

Phương pháp GMM đòi hỏi kích thước số lượng nhóm quan sát ($N$) phải đủ lớn ($N \rightarrow \infty$) so với số mốc thời gian ($T$). Với mẫu nghiên cứu gồm 25 ngân hàng ($N=25$), số lượng biến công cụ trễ vượt quá số nhóm quan sát khiến kiểm định Sargan bị vô hiệu hóa ($p < 0,05$), dẫn đến nguy cơ ước lượng bị thiên lệch nghiêm trọng.

4. Kết quả nghiên cứu có mâu thuẫn khi tỷ lệ thất nghiệp (UNT) tương quan nghịch với nợ xấu không?

Tại Việt Nam giai đoạn 2006–2016, tỷ lệ thất nghiệp chính thức được công bố duy trì ở mức rất thấp và ổn định (dao động quanh 1,8%–2,6%). Trong giai đoạn này, phần lớn nợ xấu của hệ thống ngân hàng phát sinh từ khu vực doanh nghiệp (đặc biệt là bất động sản, xây dựng và doanh nghiệp nhà nước) thay vì phân khúc khách hàng cá nhân/tiêu dùng, do đó biến động thất nghiệp thuần túy chưa phản ánh trực diện rủi ro tín dụng cá thể như tại các nền kinh tế phát triển.

5. Chi phí triển khai và thời gian hoàn vốn (ROI) khi ứng dụng mô hình này vào ngân hàng là bao nhiêu?

Chi phí triển khai mô hình định lượng quản trị rủi ro trên hệ sinh thái phần mềm thống kê hiện hữu là rất thấp (chủ yếu là chi phí chuẩn hóa dữ liệu nội bộ). Lợi ích kinh tế (ROI) đạt được ngay trong năm đầu tiên thông qua việc tối ưu hóa chi phí trích lập dự phòng rủi ro và giảm thiểu từ 0,2% đến 0,5% tỷ lệ nợ xấu phát sinh mới, tương đương tiết kiệm hàng chục đến hàng trăm tỷ đồng vốn khả dụng cho mỗi ngân hàng thương mại.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Thị Hương Mai đã giải quyết trọn vẹn bài toán xác định và lượng hóa các nhân tố chi phối nợ xấu tại 25 NHTMCP Việt Nam giai đoạn 2006–2016. Bằng việc phối hợp linh hoạt giữa lý thuyết tài chính ngân hàng và phương pháp kinh tế lượng dữ liệu bảng hiện đại (chốt chặn bằng mô hình FGLS), nghiên cứu đã chứng minh rõ vai trò quyết định của các nhân tố vĩ mô (tăng trưởng GDP, lạm phát) cùng với tính quán tính nặng nề của nợ xấu kỳ trước.

Kết quả nghiên cứu cung cấp cơ sở khoa học và thực tiễn vững chắc cho ban lãnh đạo các NHTMCP trong việc xây dựng chiến lược tăng trưởng tín dụng bền vững, chuyển đổi từ cơ chế "xử lý nợ thụ động" sang "kiểm soát rủi ro chủ động". Để tìm hiểu sâu hơn về quy trình xử lý dữ liệu bảng và ứng dụng vào thực tế quản trị ngân hàng, bạn đọc có thể tham khảo chi tiết bảng số liệu hồi quy và mã lệnh Stata trong toàn văn công trình nghiên cứu.

Trích đoạn nội dung tài liệu

lời mở đầu, kết luận và danh mục tài liệu tham khảo, khóa luận gồm 5 chƣơng: - Chƣơng 1: Giới thiệu - Chƣơng 2: Cơ sở lý luận về nợ xấu và các nhân tố tác động đến nợ xấu - Chƣơng 3: Mô hình và phƣơng pháp nghiên cứu - Chƣơng 4: Kết quả nghiên cứu thực nghiệm - Chƣơng 5: Kết luận và kiến nghị 6 (LUAN.nam TIEU LUAN MOI download : [e-mail] KẾT LUẬN CHƢƠNG 1 Ngân hàng thƣơng mại đang ngày càng chứng tỏ đƣợc vai trò của mình trong hệ thống tài chính. Tuy nhiên, hoạt động của các NHTM ngày nay đang tiềm ẩn nhiều rủi ro dƣới tác động của các nhân tố vĩ mô và vi mô. Tác giả tiến hành nghiên cứu này với mong muốn tìm ra những bằng chứng thực nghiệm về sự tác động của các nhân tố vĩ mô và vi mô đến nợ xấu của các NHTM Việt Nam, từ đó đƣa ra một số kiến nghị nhằm ngăn ngừa và hạn chế nợ xấu. Ở chƣơng 1, tác giả đã giới thiệu tổng quát về toàn bộ bài nghiên cứu.nam TIEU LUAN MOI download : [e-mail] CHƢƠNG 2 CƠ SỞ LÝ LUẬN VỀ NỢ XẤU VÀ CÁC NHÂN TỐ TÁC ĐỘNG NỢ XẤU TẠI CÁC NGÂN HÀNG THƢƠNG MẠI CỔ PHẦN VIỆT NAM 2.

TỔNG QUAN VỀ NỢ XẤU TRONG NGÂN HÀNG THƢƠNG MẠI Vậy câu hỏi đặt ra ở đây là Nợ xấu là gì? Thƣớc đo và những chuẩn mực phân loại nợ xấu nhƣ thế nào? 2. Khái niệm nợ xấu Nợ xấu là thuật ngữ đƣợc sử dụng phổ biến trên thế giới nhƣ “Non- performing loans” (NPL), “bad debt”, “doubtful debt” chỉ các khoản nợ khó đòi (Fofack, 2005) hoặc các khoản vay có vấn đề (Berger và De Young, 1997) hoặc khoản nợ không trả đƣợc (defaulted loans) mà ngân hàng không thể thu lợi từ nó (Ernst & Young, 2004) hay các khoản cho vay bắt đầu đƣợc đƣa vào nợ xấu khi đã quá hạn trả nợ gốc và lãi 90 ngày trở lên (Peter Rose, 2004); Mishkin, 2010). Hiện tại không có một quy tắc hay chuẩn mực thống nhất khi thảo luận về vấn đề nợ xấu. Có thể đề cập đến một số khái niệm về nợ xấu nhƣ sau: Theo hƣớng dẫn để tính toán các chỉ số lành mạnh tài chính của Quỹ Tiền tệ Quốc tế (IMF): “Một khoản cho vay đƣợc coi là không sinh lời (nợ xấu) khi tiền thanh toán lãi và/hoặc tiền gốc đã quá hạn 90 ngày trở lên, hoặc các khoản thanh toán lãi đến 90 ngày hoặc hơn đã đƣợc tái cơ cấu hay gia hạn nợ, hoặc các khoản thanh toán dƣới 90 ngày nhƣng có các nguyên nhân nghi ngờ việc trả nợ sẽ không đƣợc thực hiện đầy đủ”.

Với quan điểm này, nợ xấu đƣợc nhận dạng qua hai góc độ là thời gian quá hạn và khả năng trả nợ đáng nghi ngờ. Đồng quan điểm của IMF, nhóm chuyên gia tƣ vấn (AEG) của Liên hợp quốc cho rằng “về cơ bản, một khoản nợ đƣợc coi là nợ xấu khi quá hạn trả lãi và/hoặc gốc trên 90 ngày, hoặc các khoản lãi chƣa trả từ 90 ngày trở lên đã đƣợc nhập gốc, tái cấp vốn hoặc chậm trả theo thỏa thuận, hoặc các khoản phải thanh toán đã quá hạn dƣới 90 ngày nhƣng có lý do chắc chắn để nghi ngờ về khả năng khoản nợ sẽ đƣợc thanh toán đầy đủ” (Advisory Expert Group (AEG), 2004). Trong khi đó, Ủy ban Basel về Giám sát Ngân hàng, họ không đƣa ra một định nghĩa cụ thể về nợ xấu. Nhƣng trong các hƣớng dẫn về hoạt động quản lý nợ 8 (LUAN.nam TIEU LUAN MOI download : [e-mail] xấu tại một số quốc gia, họ cho rằng một khoản nợ đƣợc coi là không có khả năng hoàn trả khi xảy ra một trong hai hoặc cả hai điều kiện sau: Một là, ngân hàng xác định ngƣời đi vay không có khả năng trả nợ đầy đủ khi ngân hàng chƣa thực hiện bất cứ động thái gì để thu hồi nợ nhƣ xử lý tài sản bảo đảm.

Hai là, ngƣời vay đã quá hạn trả nợ (trên 90 ngày). Tại Việt Nam, theo quan điểm của Ngân hàng Nhà nƣớc Việt Nam, nợ xấu4 đƣợc định nghĩa là những khoản nợ đƣợc phân loại vào nhóm 3 (Nợ dƣới tiêu chuẩn), nhóm 4 (Nợ nghi ngờ) và nhóm 5 (Nợ có khả năng mất vốn). Trong đó, về định lƣợng, nợ nhóm 3 là các khoản nợ quá hạn từ 90 ngày đến 180 ngày; nợ nhóm 4 là các khoản nợ quá hạn từ 181 ngày đến 360 ngày và nợ nhóm 5 là các khoản nợ quá hạn trên 360 ngày. Nhƣ vậy, theo phƣơng pháp định lƣợng, cách xác định nợ xấu từ 90 ngày trở lên khá tƣơng đồng giữa khái niệm của các tổ chức trên thế giới cũng nhƣ tại Việt Nam.

Tuy nhiên, để đánh giá một cách chính xác và toàn diện hơn thì cũng cần xem xét đến khả năng trả nợ của khách hàng. Phân loại nợ Theo Đinh Thị Thanh Vân (2012), phân loại nợ là quá trình các ngân hàng xem xét danh mục cho vay của mình để đƣa các khoản vay vào các nhóm khác nhau dựa trên rủi ro và đặc điểm tƣơng đồng của các khoản vay. Việc thƣờng xuyên xem xét và phân loại nợ giúp cho ngân hàng có thể kiểm soát chất lƣợng danh mục cho vay và trong trƣờng hợp cần thiết sẽ có biện pháp xử lý các vấn đề phát sinh trong chất lƣợng tín dụng các danh mục cho vay. Việc phân loại nợ khó có tiêu chuẩn kế toán quốc tế thống nhất.

Việc tiếp cận phân loại nợ đƣợc coi nhƣ trách nhiệm của ngƣời quản lý hoặc chỉ là vấn đề báo cáo giám sát (Laurin và cộng sự, 2002). 4 Đƣợc quy định tại Thông tƣ 02/2013/ TT-NHNN ngày 21 tháng 01 năm 2013 của Thống đốc Ngân hàng Nhà nƣớc Việt Nam quy định về phân loại tài sản có, mức trích, phƣơng 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 nƣớc ngoài, đƣợc sửa đổi, bổ sung bởi: Thông tƣ số 09/2014/TT-NHNN ngày 18 tháng 3 năm 2014.nam TIEU LUAN MOI download : skknchat@gmail. Phân loại nợ của một số nƣớc trên thế giới Nƣớc Số lƣợng Quy định dự Ghi chú nhóm vay phòng Đức 4 Dự phòng cụ 4 nhóm bao bồm: cho vay không rủi thể ro, cho vay có dấu hiệu rủi ro, nợ có dấu hiệu không thu hồi, nợ xấu Ý 5 Không có quy định cụ thể về lập dự phòng Nhật 5 Dự phòng cụ Chi phí dự phòng cho 3 nhóm cuối thể với tỷ lệ lần lƣợt là 15%, 70%, 100% Brazil 9 Dự phòng cụ 9 nhóm đƣa ra bao gồm AA (0%), A thể (0,5%), B (1%), C (3%), D (10%), E (30%), F (50%), G (70%) và H (100%) Mỹ 5 Không đƣa ra quy định cụ thể Argentina 5 Dự phòng Tỷ lệ dự phòng cho 5 nhóm lần lƣợt chung và dự là 1%, 3%, 12%, 25%, 50% phòng cụ thể Úc 5 Không đƣa ra quy định cụ thể về lập dự phòng Trung 5 Dự phòng cụ Tỷ lệ dự phòng cho 5 nhóm lần lƣợt Quốc thể và dự là 1%, 3%, 25%, 75%, 100% phòng chung 4 Dự phòng cụ Chia cụ thể làm 2 loại có bảo đảm Ấn Độ thể và dự hoặc không có bảo đảm có tỷ lệ dự phòng chung phòng khác nhau và linh hoạt Mexico 7 7 nhóm đƣợc phân loại dựa trên rủi ro quốc gia, rủi ro tài chính, rủi ro ngành và lịch sử thanh toán. Nhóm không trích lập dự phòng A-1 (0,5%); A-2 10 (LUAN.nam TIEU LUAN MOI download : skknchat@gmail.99%); B-1 (20%); C-1 (20 – 40%); C-2 (40 – 60%); D (60 – 90%); và nhóm E (100%) Singapore 5 Dự phòng cụ Tỷ lệ trích lập dự phòng cho 3 nhóm thể cuối tối thiểu lần lƣợt là 10%, 50%, 100% Nga 4 Dự phòng Tỷ lệ trích lập dự phòng cho 3 nhóm chung và dự cuối lần lƣợt là 205, 50%, 100%.

Dự phòng cụ thệ phòng nhóm 1 là 1% Tây Ban 6 Dự phòng Tỷ lệ dự phòng chung 0,51%, còn Nha chung và dự cho 3 nhóm cuối là 10%, 25 – 100%, phòng cụ thể 100% Nguồn: (Laurin và cộng sự, 2002) Ngân hàng thế giới (World Bank) đã tiến hành phân loại nợ nhƣ sau: Bảng 2. Phân loại nợ của World Bank Khoản vay Những đặc thù và thời hạn Đạt tiêu chuẩn - Không nghi ngờ gì về khả năng trả nợ - Tài sản đƣợc bảo đảm hoàn toàn bằng tiền hoặc tƣơng đƣơng - Quá hạn dƣới 90 ngày Cần theo dõi - Những điểm yếu tiềm tàng có thể ảnh hƣởng tới khả năng trả nợ - Các điều kiện kinh tế hoặc viễn cảnh tài chính khó khăn - Quá hạn dƣới 90 ngày Dƣới tiêu chuẩn - Các nhƣợc điểm rõ rệt về tín dụng có thể ảnh hƣởng tới khả năng trả nợ - Những khoản nợ đã đƣợc thỏa thuận lại - Quá hạn từ 90 – 180 ngày Đáng ngờ - Không chắc thu hồi đƣợc toàn bộ nợ dựa trên các điều kiện hiện tại.nam TIEU LUAN MOI download : [e-mail] - Có khả năng thất thoát - Quá hạn từ 180 – 360 ngày Mất vốn - Các khoản vay không thu hồi đƣợc - Quá hạn hơn 360 ngày Nguồn: World Bank Publications, 2003 Ngoài ra, Viện Tài chính Quốc tế (Institute of International Finance) cũng phân loại nợ thành 5 nhóm sau: Bảng 2. Phân loại nợ của Viện Tài chính Quốc tế (IIF) Khoản vay Những đặc thù và thời hạn Nợ đủ tiêu chuẩn Là nợ có gốc và lãi trong hạn, không có dấu hiệu khó khăn trong thanh toán nợ và dự báo có thể thanh toán gốc và lãi đúng hạn, đầy đủ theo cam kết. Nợ cần chú ý Là nợ trong tình trạng nếu không có các biện pháp xử lý có thể tăng nguy cơ không thanh toán đầy đủ gốc và lãi.

Vì vậy đây là khoản nợ cần đƣợc chú ý hơn mức bình thƣờng. Nợ dƣới tiêu Là khoản nợ nghi ngờ về khả năng thanh toán đầy đủ gốc, lãi chuẩn theo cam kết, hoặc gốc hoặc/và lãi quá hạn trên 90 ngày, hoặc tài sản bảo đảm giảm giá trị dẫn đến nguy cơ giảm giá trị khoản vay nếu không xử lý kịp thời. Nợ nghi ngờ Là nợ đƣợc xác định không thể thu hồi đầy đủ gốc, lãi trong điều kiện hiện hành hoặc lãi hoặc/và gốc quá hạn trên 180 ngày. Nợ nhóm này đã bị giảm giá trị nhƣng chƣa mất vốn hoàn toàn vì còn có những yếu tố đƣợc xác định có thể tác động cải thiện chất lƣợng nợ.

Nợ mất vốn Là nợ đƣợc đánh giá không có khả năng thu hồi hoặc gốc hoặc/và lãi quá hạn trên một năm Nguồn: (IIF, 1999) 12 (LUAN.nam TIEU LUAN MOI download : [e-mail] Tại Việt Nam, theo phân loại nợ của NHNN, nợ đƣợc phân loại theo 5 nhóm: Bảng 2.