CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN NỢ XẤU TẠI NGÂN HÀNG TMCP QUÂN ĐỘI (MB BANK)

Nghiên cứu các yếu tố tác động đến nợ xấu tại MB Bank. Phân tích thực trạng, đề xuất giải pháp quản lý nợ hiệu quả, góp phần ổn định hoạt động ngân hàng.

• Tác giả: Trịnh Thanh Nhiên
• Người hướng dẫn: ThS. Đào Thị Thanh Tú
• Trường học: Học viện Ngân hàng
• Chuyên ngành: Ngân hàng
• Đề tài: Các nhân tố ảnh hưởng đến nợ xấu tại ngân hàng TMCP Quân đội (MB Bank)
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• MỤC LỤC
• DANH MỤC VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH VẼ
• LỜI MỞ ĐẦU
• 0.1. Tính cấp thiết của đề tài
• 0.2. Tổng quan nghiên cứu
• 0.3. Các nghiên cứu nước ngoài
• 0.4. Các nghiên cứu tại Việt Nam
• 0.5. Khoảng trống nghiên cứu
• 0.6. Mục tiêu nghiên cứu
• 0.7. Đối tượng và phạm vi nghiên cứu
• 0.8. Phương pháp nghiên cứu
• 0.9. Kết cấu khóa luận
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ NỢ XẤU VÀ CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƯƠNG MẠI
• 1.1. Cơ sở lý thuyết về nợ xấu
• 1.1.1. Khái niệm về nợ xấu
• 1.1.2. Phân loại nợ xấu
• 1.1.3. Nguyên nhân gây ra nợ xấu
• 1.1.3.1. Nguyên nhân khách quan
• 1.1.3.2. Nguyên nhân chủ quan
• 1.1.4. Hậu quả của nợ xấu
• 1.1.4.1. Đối với Ngân hàng
• 1.1.4.2. Đối với nền kinh tế
• 1.1.5. Các nhân tố tác động đến nợ xấu của các NHTM
• 1.1.5.1. Nhân tố vĩ mô
• 1.1.5.2. Nhân tố vi mô
• 1.2. TÓM TẮT CHƯƠNG 1
• 2. CHƯƠNG 2: THỰC TRẠNG NỢ XẤU VÀ CÁC NHÂN TỐ TÁC ĐỘNG ĐẾN NỢ XẤU TẠI NGÂN HÀNG TMCP QUÂN ĐỘI
• 2.1. Thực trạng nợ xấu tại Ngân hàng TMCP Quân đội
• 2.1.1. Quy mô nợ xấu
• 2.1.2. Cơ cấu nợ xấu
• 2.1.3. Tỷ lệ nợ xấu
• 2.2. Mô hình nghiên cứu
• 2.3. Quy trình nghiên cứu
• 2.4. Đề xuất mô hình và giả thuyết nghiên cứu
• 2.5. Phương pháp phân tích dữ liệu
• 2.6. Kết quả nghiên cứu mô hình và đánh giá
• 2.6.1. Thống kê mô tả
• 2.6.2. Kiểm định giả thuyết mô hình
• 2.7. TÓM TẮT CHƯƠNG 2
• 3. CHƯƠNG 3: GIẢI PHÁP HẠN CHẾ NỢ XẤU TẠI NGÂN HÀNG TMCP QUÂN ĐỘI
• 3.1. Định hướng và mục tiêu quản lý nợ xấu của Ngân hàng TMCP Quân đội
• 3.2. Các giải pháp hạn chế nợ xấu tại Ngân hàng TMCP Quân đội
• 3.3. Một số kiến nghị
• 3.3.1. Kiến nghị đối với chính phủ
• 3.3.2. Kiến nghị đối với NHNN
• 3.4. TÓM TẮT CHƯƠNG 3
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan Nợ Xấu MB Bank Bản chất Tác động 55 ký tự

Nợ xấu là một vấn đề nhức nhối trong hoạt động ngân hàng, ảnh hưởng trực tiếp đến lợi nhuận và sự ổn định tài chính của các ngân hàng thương mại (NHTM). Tại MB Bank, việc quản lý và kiểm soát nợ xấu là ưu tiên hàng đầu. Theo quy định của Ngân hàng Nhà nước (NHNN), nợ xấu MB Bank được phân loại thành các nhóm 3, 4, 5, bao gồm nợ dưới tiêu chuẩn, nợ nghi ngờ và nợ có khả năng mất vốn. Vấn đề nợ xấu và hiệu quả hoạt động ngân hàng luôn là yếu tố quan trọng. Việc hiểu rõ bản chất và tác động của nợ xấu là cơ sở để xây dựng các giải pháp hiệu quả. Đề tài này đi sâu vào phân tích các yếu tố ảnh hưởng đến nợ xấu tại MB Bank, từ đó đề xuất các giải pháp và kiến nghị nhằm giảm thiểu rủi ro và nâng cao hiệu quả hoạt động.

1.1. Khái niệm Nợ Xấu Định nghĩa theo Chuẩn mực Việt Nam

Trên thế giới, khái niệm nợ xấu (Non-Performing Loan - NPL) chưa có một chuẩn mực thống nhất. Quỹ tiền tệ quốc tế (IMF) định nghĩa nợ xấu là khoản vay quá hạn thanh toán gốc hoặc lãi 90 ngày trở lên, hoặc có dấu hiệu rõ ràng người vay không thể hoàn trả. Tại Việt Nam, nợ xấu được xác định gián tiếp thông qua phân loại nợ theo quy định của Ngân hàng Nhà nước (NHNN). Điều này có nghĩa là các khoản nợ thuộc nhóm 3, 4, 5 theo Thông tư số 11/2021/TT-NHNN được coi là nợ xấu. Sự khác biệt này thể hiện sự linh hoạt trong việc áp dụng các tiêu chuẩn quốc tế phù hợp với điều kiện kinh tế và hệ thống pháp luật của từng quốc gia.

1.2. Phân loại Nợ Xấu Các nhóm Nợ theo Quy định Hiện hành

Theo quy định hiện hành, nợ xấu được phân loại thành năm nhóm chính. Nhóm 1 là nợ đủ tiêu chuẩn, bao gồm các khoản nợ trong hạn và có khả năng thu hồi đầy đủ cả gốc và lãi. Các nhóm còn lại (2-5) thể hiện mức độ rủi ro tăng dần, từ nợ cần chú ý (Nhóm 2) đến nợ có khả năng mất vốn (Nhóm 5). Việc phân loại nợ chính xác là yếu tố then chốt trong việc đánh giá tình hình nợ xấu MB Bank và đưa ra các biện pháp xử lý phù hợp. Bảng 1.1 trong tài liệu gốc trình bày chi tiết cách phân loại nợ xấu theo chuẩn mực quốc tế và quy định của Việt Nam.

II. Nguyên nhân Nợ Xấu MB Bank Phân tích Khách quan Chủ quan 59 ký tự

Nợ xấu không tự nhiên phát sinh. Có nhiều nguyên nhân dẫn đến tình trạng này, có thể chia thành hai nhóm chính: nguyên nhân khách quan và nguyên nhân chủ quan. Các nguyên nhân khách quan thường liên quan đến các yếu tố vĩ mô như suy thoái kinh tế, biến động lãi suất, và các chính sách của chính phủ. Các nguyên nhân chủ quan xuất phát từ chính hoạt động quản trị rủi ro của ngân hàng, chất lượng thẩm định tín dụng, và ý thức trả nợ của khách hàng. Việc xác định rõ nguyên nhân nợ xấu MB Bank là bước quan trọng để xây dựng các giải pháp phòng ngừa và xử lý hiệu quả. Ảnh hưởng của kinh tế vĩ mô đến nợ xấu là yếu tố không thể bỏ qua.

2.1. Yếu tố Khách quan Tác động từ Kinh tế Vĩ mô Biến động Thị trường

Các yếu tố kinh tế vĩ mô đóng vai trò quan trọng trong việc hình thành nợ xấu. Suy thoái kinh tế làm giảm khả năng trả nợ của doanh nghiệp và cá nhân. Biến động lãi suất và tỷ giá hối đoái ảnh hưởng đến chi phí vay vốn và khả năng trả nợ bằng ngoại tệ. Các chính sách của chính phủ, như thay đổi về thuế hoặc quy định pháp lý, cũng có thể tác động đến nợ xấu trong ngành ngân hàng. Đại dịch COVID-19 là một ví dụ điển hình về một yếu tố khách quan gây ảnh hưởng lớn đến nợ xấu của các ngân hàng, bao gồm cả MB Bank.

2.2. Yếu tố Chủ quan Quản trị Rủi ro Tín dụng Chất lượng Thẩm định

Các yếu tố chủ quan liên quan đến hoạt động quản trị rủi ro của ngân hàng có ảnh hưởng trực tiếp đến nợ xấu. Chất lượng thẩm định tín dụng, quy trình phê duyệt cho vay, và giám sát sau cho vay đều đóng vai trò quan trọng. Quản trị rủi ro tín dụng MB Bank cần được thực hiện một cách chặt chẽ và hiệu quả để giảm thiểu rủi ro nợ xấu. Ý thức trả nợ của khách hàng cũng là một yếu tố quan trọng, thể hiện qua việc tuân thủ các điều khoản trong hợp đồng tín dụng.

2.3. Đánh giá tác động của Chính sách Tín dụng tới Nợ Xấu

Chính sách tín dụng MB Bank đóng vai trò quan trọng trong việc kiểm soát nợ xấu. Chính sách cho vay quá dễ dãi, thiếu kiểm soát sẽ dẫn đến sự gia tăng tỷ lệ nợ xấu MB Bank. Các nghiên cứu trước đây đã chỉ ra mối liên hệ giữa tăng trưởng tín dụng nhanh và gia tăng nợ xấu. Vì vậy, MB Bank cần duy trì một chính sách tín dụng thận trọng, tập trung vào chất lượng tín dụng hơn là chạy theo số lượng.

III. Giải pháp Giảm Nợ Xấu MB Bank Phương pháp Thực tiễn 58 ký tự

Để giảm thiểu nợ xấu, MB Bank cần áp dụng một loạt các giải pháp đồng bộ, bao gồm cả các biện pháp phòng ngừa và xử lý nợ xấu đã phát sinh. Các biện pháp phòng ngừa tập trung vào việc nâng cao chất lượng thẩm định tín dụng và quản trị rủi ro. Các biện pháp xử lý nợ xấu bao gồm tái cơ cấu nợ, bán nợ, và khởi kiện khách hàng. Việc lựa chọn giải pháp phù hợp phụ thuộc vào tình hình cụ thể của từng khoản nợ và điều kiện thị trường. Giải pháp giảm nợ xấu MB Bank cần được thực hiện một cách linh hoạt và sáng tạo.

3.1. Nâng cao Chất lượng Thẩm định Quản trị Rủi ro Tín dụng

Việc nâng cao chất lượng thẩm định tín dụng là biện pháp phòng ngừa nợ xấu hiệu quả nhất. MB Bank cần đầu tư vào đào tạo nhân viên thẩm định, áp dụng các mô hình đánh giá rủi ro tiên tiến, và thu thập thông tin đầy đủ về khách hàng. Quản trị rủi ro tín dụng cần được thực hiện một cách chặt chẽ và liên tục, từ khâu thẩm định đến giám sát sau cho vay. Việc áp dụng các công nghệ mới, như trí tuệ nhân tạo (AI) và phân tích dữ liệu lớn (Big Data), có thể giúp MB Bank nâng cao hiệu quả quản trị rủi ro.

3.2. Xử lý Nợ Xấu Tái cơ cấu Nợ Bán Nợ Khởi kiện Khách hàng

Khi nợ xấu đã phát sinh, MB Bank cần áp dụng các biện pháp xử lý phù hợp để thu hồi vốn. Tái cơ cấu nợ là một giải pháp phổ biến, cho phép khách hàng kéo dài thời gian trả nợ hoặc giảm lãi suất. Bán nợ cho các tổ chức mua bán nợ (VAMC) giúp MB Bank giảm nợ xấu và thu hồi một phần vốn. Khởi kiện khách hàng là biện pháp cuối cùng, được áp dụng khi các biện pháp khác không hiệu quả.Việc thu hồi nợ có khả năng mất vốn MB Bank là vô cùng quan trọng.

3.3 Ứng dụng các phương pháp Phòng ngừa Nợ Xấu hiệu quả

Việc phòng ngừa nợ xấu từ giai đoạn đầu là vô cùng quan trọng. MB Bank cần tăng cường công tác phòng ngừa nợ xấu tại MB Bank bằng cách nâng cao chất lượng thẩm định dự án, đánh giá kỹ lưỡng khả năng trả nợ của khách hàng trước khi quyết định cho vay. Đồng thời, MB Bank cần thường xuyên kiểm tra, giám sát tình hình sử dụng vốn vay của khách hàng để kịp thời phát hiện và xử lý các rủi ro tiềm ẩn.

IV. Kiến nghị về Nợ Xấu Chính sách Giải pháp Vĩ mô 56 ký tự

Để giảm thiểu nợ xấu một cách bền vững, cần có sự phối hợp giữa MB Bank, NHNN, và chính phủ. NHNN cần ban hành các chính sách hỗ trợ các NHTM trong việc xử lý nợ xấu. Chính phủ cần tạo môi trường kinh tế ổn định và hỗ trợ doanh nghiệp phát triển. MB Bank cần chủ động tham gia vào các chương trình tái cơ cấu kinh tế và hỗ trợ doanh nghiệp vượt qua khó khăn. Kiến nghị về nợ xấu cần được xem xét một cách toàn diện và đồng bộ.

4.1. Kiến nghị với Chính phủ Ổn định Kinh tế vĩ mô Hỗ trợ Doanh nghiệp

Chính phủ cần ưu tiên ổn định kinh tế vĩ mô, kiểm soát lạm phát, và duy trì tỷ giá hối đoái ổn định. Các chính sách hỗ trợ doanh nghiệp, như giảm thuế và phí, có thể giúp doanh nghiệp vượt qua khó khăn và tăng khả năng trả nợ. Cần tạo điều kiện thuận lợi cho các doanh nghiệp tiếp cận nguồn vốn tín dụng với lãi suất hợp lý. Ảnh hưởng của chính sách tiền tệ đến nợ xấu là rất lớn, do đó chính phủ cần điều hành chính sách tiền tệ một cách linh hoạt và phù hợp.

4.2. Kiến nghị với NHNN Hoàn thiện Cơ chế Xử lý Nợ Xấu Hỗ trợ NHTM

NHNN cần hoàn thiện cơ chế xử lý nợ xấu, tạo điều kiện thuận lợi cho các NHTM bán nợ cho VAMC hoặc các tổ chức mua bán nợ khác. Cần ban hành các quy định rõ ràng và minh bạch về phân loại nợ, trích lập dự phòng rủi ro, và xử lý tài sản đảm bảo. NHNN cũng cần tăng cường giám sát hoạt động của các NHTM để đảm bảo tuân thủ các quy định về quản trị rủi ro. Chính phủ nên can thiệp để đưa ra những kiến nghị về nợ xấu.

V. Thực trạng Nợ xấu tại MB Bank Phân tích Dữ liệu Giai đoạn 2018 2022

Nghiên cứu sẽ phân tích thực trạng nợ xấu tại MB Bank trong giai đoạn từ 2018 đến 2022, sử dụng dữ liệu từ báo cáo tài chính của ngân hàng. Các chỉ số quan trọng như quy mô nợ xấu, cơ cấu nợ xấu, và tỷ lệ nợ xấu sẽ được phân tích chi tiết. Mục tiêu là đánh giá mức độ ảnh hưởng của các yếu tố vĩ mô và vi mô đến nợ xấu của MB Bank trong giai đoạn này. Kết quả phân tích sẽ cung cấp cơ sở thực tiễn cho việc đề xuất các giải pháp và kiến nghị phù hợp.

5.1. Phân tích Quy mô Nợ Xấu So sánh với các Ngân hàng khác

Phân tích quy mô nợ xấu của MB Bank sẽ tập trung vào việc so sánh với các ngân hàng thương mại cổ phần khác trong cùng ngành. Điều này giúp đánh giá vị thế của MB Bank trong việc quản lý nợ xấu so với các đối thủ cạnh tranh. Quy mô nợ xấu cũng sẽ được so sánh với quy mô tín dụng của MB Bank để đánh giá mức độ rủi ro tín dụng mà ngân hàng đang phải đối mặt.

5.2. Phân tích Cơ cấu Nợ Xấu Theo Ngành Nghề Loại Hình Tín dụng

Phân tích cơ cấu nợ xấu của MB Bank sẽ tập trung vào việc phân loại nợ xấu theo ngành nghề và loại hình tín dụng. Điều này giúp xác định các lĩnh vực kinh doanh và loại hình tín dụng có rủi ro nợ xấu cao nhất. Thông tin này có thể được sử dụng để điều chỉnh chính sách tín dụng và quản trị rủi ro phù hợp.

VI. Kết luận Triển vọng Giải pháp Nợ Xấu MB Bank 54 ký tự

Nợ xấu là một thách thức lớn đối với MB Bank và toàn ngành ngân hàng. Tuy nhiên, với các giải pháp và kiến nghị phù hợp, MB Bank có thể giảm thiểu rủi ro nợ xấu và nâng cao hiệu quả hoạt động. Triển vọng về nợ xấu của MB Bank phụ thuộc vào nhiều yếu tố, bao gồm cả tình hình kinh tế vĩ mô và nỗ lực của chính ngân hàng trong việc quản lý rủi ro. Giải pháp giảm nợ xấu MB Bank cần được thực hiện một cách kiên trì và quyết liệt.

6.1. Tóm tắt Các Giải pháp Kiến nghị Chính cho Nợ Xấu MB Bank

Tóm tắt lại các giải pháp và kiến nghị chính đã được đề xuất trong bài nghiên cứu, nhấn mạnh tầm quan trọng của việc kết hợp các biện pháp phòng ngừa và xử lý nợ xấu. Đề xuất các bước hành động cụ thể mà MB Bank, NHNN, và chính phủ cần thực hiện để giảm thiểu nợ xấu một cách bền vững.

6.2. Đánh giá Triển vọng về Nợ Xấu của MB Bank trong Tương lai

Đánh giá triển vọng về nợ xấu của MB Bank trong tương lai, dựa trên các phân tích về tình hình kinh tế vĩ mô, chính sách của chính phủ, và nỗ lực của chính ngân hàng trong việc quản lý rủi ro. Đề xuất các kịch bản khác nhau về nợ xấu của MB Bank và các biện pháp ứng phó phù hợp.

Nội dung chính

Giới thiệu dự án

Bối cảnh và cơ sở thực tiễn

Trong giai đoạn 2018–2022, hệ thống tài chính toàn cầu và Việt Nam đối mặt với nhiều biến động kinh tế vĩ mô do đại dịch COVID-19, gián đoạn chuỗi cung ứng và xung đột địa chính trị. Ngành ngân hàng đóng vai trò huyết mạch cung ứng vốn cho nền kinh tế, trong đó hoạt động tín dụng chiếm hơn 70% tổng thu nhập của các ngân hàng thương mại (NHTM). Tuy nhiên, rủi ro tín dụng tiềm ẩn luôn đi liền với tăng trưởng dư nợ. Kiểm soát tỷ lệ nợ xấu (Non-Performing Loans - NPL) dưới ngưỡng an toàn 3% theo quy định của Ngân hàng Nhà nước (NHNN) và chuẩn mực Basel II là điều kiện tiên quyết bảo đảm an toàn hệ thống và duy trì hệ số an toàn vốn (Capital Adequacy Ratio - CAR > 8%).

Tuyên bố vấn đề (Problem Statement)

Ngân hàng TMCP Quân đội (MB - Mã CK: MBB) là một trong những NHTM cổ phần có tốc độ tăng trưởng tín dụng cao nhất toàn ngành (bình quân 15–25%/năm). Khi quy mô dư nợ tăng nhanh từ 189.144 tỷ đồng (2018) lên 435.190 tỷ đồng (2022), quy mô nợ xấu tuyệt đối tăng mạnh từ 2.859 tỷ đồng lên 5.031 tỷ đồng (tăng 53,95% trong năm 2022). Vấn đề cốt lõi đặt ra là:

1. Thiếu mô hình lượng hóa cụ thể tác động đồng thời của các yếu tố vi mô nội tại (quy mô tài sản, tăng trưởng tín dụng, hiệu quả sinh lời ROA, trễ nợ xấu) và vĩ mô (tăng trưởng GDP, lạm phát CPI) đến tỷ lệ nợ xấu của riêng MB.
2. Các nghiên cứu trước đây chủ yếu thực hiện trên dữ liệu bảng (panel data) của nhóm nhiều ngân hàng, chưa phản ánh được khẩu vị rủi ro và đặc thù vận hành của một ngân hàng TMCP quy mô lớn độc lập.

Mục tiêu dự án

1. Mục tiêu 1: Hệ thống hóa khung lý thuyết chuẩn mực về nợ xấu theo Thông tư 11/2021/TT-NHNN, chuẩn mực kế toán quốc tế (IAS 39/IFRS 9) và Basel Committee on Banking Supervision (BCBS).
2. Mục tiêu 2: Phân tích thực trạng biến động quy mô, cơ cấu nợ nhóm 3, 4, 5 và tỷ lệ nợ xấu tại MB giai đoạn 2018–2022.
3. Mục tiêu 3: Xây dựng mô hình hồi quy tuyến tính bội (OLS) định lượng tác động của 6 biến độc lập ($NPL_{t-1}$, $CREDIT$, $ROA$, $SIZE$, $GDP$, $CPI$) đến tỷ lệ nợ xấu ($NPL_t$).
4. Mục tiêu 4: Đề xuất hệ thống giải pháp quản trị rủi ro tín dụng và hệ thống cảnh báo sớm (Early Warning System - EWS) cho MB.

Phương pháp tiếp cận giải pháp

Nghiên cứu kết hợp phương pháp định tính (phân loại danh mục nợ theo Thông tư 11/2021/TT-NHNN) và định lượng thông qua phân tích chuỗi thời gian (time-series regression) theo quý với mẫu quan sát $N = 20$ (Quý 1/2018 – Quý 4/2022). Mô hình được xử lý và kiểm định khuyết tật (đa cộng tuyến VIF, tự tương quan Durbin-Watson, phương sai sai số thay đổi Spearman Rank Correlation, kiểm định F ANOVA) trên nền tảng IBM SPSS Statistics 25.

Kết quả kỳ vọng

• Xây dựng phương trình hồi quy có hệ số xác định hiệu chỉnh ($R^2_{adj}$) đạt trên 80% với mức ý nghĩa thống kê $p < 0.05$.
• Lượng hóa chính xác hệ số co giãn của các biến then chốt làm cơ sở xây dựng chính sách tín dụng và trích lập dự phòng rủi ro.

Phạm vi và giới hạn

• Không gian: Ngân hàng TMCP Quân đội (MB).
• Thời gian: 20 quý liên tục từ Q1/2018 đến Q4/2022.
• Dữ liệu: Báo cáo tài chính hợp nhất kiểm toán của MB, số liệu thống kê vĩ mô từ Ngân hàng Thế giới (World Bank), Quỹ Tiền tệ Quốc tế (IMF) và Tổng cục Thống kê Việt Nam (GSO).

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các mô hình quản trị nợ xấu tại NHTM hiện nay chủ yếu dựa trên đánh giá tĩnh hoặc phân tích dữ liệu bảng gộp. Bảng so sánh dưới đây làm rõ ưu và nhược điểm của các phương pháp:

Phương pháp	Ưu điểm	Nhược điểm	Đánh giá độ phù hợp với đề tài
Bảng tổng hợp OLS (Pooled OLS)	Dễ thực hiện, xử lý được lượng mẫu lớn của nhiều ngân hàng.	Bỏ qua tính dị biệt đặc thù (heterogeneity) của từng định chế tài chính.	Không phù hợp để đưa ra giải pháp đặc thù riêng cho MB.
Mô hình FEM / REM	Kiểm soát được hiệu ứng cố định/ngẫu nhiên của các ngân hàng trong mẫu.	Yêu cầu số lượng ngân hàng ($N$) lớn, không áp dụng được cho 1 đơn vị duy nhất.	Phù hợp nghiên cứu toàn ngành, không tối ưu cho case study đơn lẻ.
Hồi quy OLS chuỗi thời gian (Time-Series OLS)	Đo lường trực tiếp biến động theo quý của 1 ngân hàng, tích hợp độ trễ $NPL_{t-1}$.	Cần kiểm soát chặt chẽ hiện tượng tự tương quan và đa cộng tuyến.	Tối ưu nhất: Phản ánh chính xác động thái rủi ro tín dụng tại MB qua 20 quý.

Ma trận ưu tiên yêu cầu phân tích (MoSCoW)

• Must have: Làm sạch dữ liệu 20 quý, kiểm định độ tin cậy mô hình ($R^2$, ANOVA $F$-test), kiểm định VIF và Durbin-Watson.
• Should have: Đánh giá tương quan Pearson, trực quan hóa xu hướng cơ cấu nợ nhóm 3, 4, 5.
• Could have: Script tự động hóa kiểm định kinh tế lượng bằng Python/R.
• Won't have: Mô hình phi tuyến Machine Learning phức tạp (do cỡ mẫu $N=20$).

Thiết kế hệ thống

+-----------------------------------------------------------------------+
|                       NGUỒN DỮ LIỆU ĐẦU VÀO                           |
|  +--------------------------------+  +-----------------------------+  |
|  | BCTC MBBank (Q1/2018 - Q4/2022) |  | World Bank / IMF / GSO      |  |
|  | - NPL, Dư nợ, Tổng TS, LNST    |  | - Tăng trưởng GDP, CPI      |  |
|  +--------------------------------+  +-----------------------------+  |
+-----------------------------------+-----------------------------------+
                                    |
                                    v
+-----------------------------------------------------------------------+
|                 PIPELINE XỬ LÝ & TIỀN XỬ LÝ DỮ LIỆU                   |
|  - Trích xuất chỉ số tài chính (ROA, SIZE, CREDIT, NPL_lag1)          |
|  - Chuẩn hóa đơn vị đo lường theo tỷ lệ phần trăm (%)                 |
|  - Kiểm tra Missing values, Outliers & Stationarity                   |
+-----------------------------------+-----------------------------------+
                                    |
                                    v
+-----------------------------------------------------------------------+
|                   ENGINE PHÂN TÍCH KINH TẾ LƯỢNG                      |
|  +-----------------------------------------------------------------+  |
|  | IBM SPSS Statistics 25.0 / Python Statsmodels 0.14.0            |  |
|  | - OLS Multiple Linear Regression                                |  |
|  | - Pearson Correlation Matrix Analysis                           |  |
|  | - Statistical Tests: VIF, Durbin-Watson, Spearman Rank, ANOVA   |  |
|  +-----------------------------------------------------------------+  |
+-----------------------------------+-----------------------------------+
                                    |
                                    v
+-----------------------------------------------------------------------+
|                 KẾT QUẢ ĐẦU RA & HỆ THỐNG CẢNH BÁO                    |
|  - Hệ số hồi quy chuẩn hóa & phi chuẩn hóa (Beta, p-value)            |
|  - Báo cáo phân tích rủi ro & Dashboard chỉ số giám sát NPL           |
+-----------------------------------------------------------------------+

Technology Stack và công cụ

• Engine thống kê & kinh tế lượng: IBM SPSS Statistics v25.0, Python v3.10 (thư viện pandas v2.0.3, statsmodels v0.14.0, scikit-learn v1.3.0).
• Hệ quản trị & cấu trúc lưu trữ: PostgreSQL 15 / MS Excel Data Model.
• Đặc tả cấu trúc dữ liệu lưu trữ (Database Schema):

CREATE TABLE mb_quarterly_financials (
    quarter_id VARCHAR(7) PRIMARY KEY, -- Format: YYYY-Q1
    total_assets NUMERIC(15, 2) NOT NULL,
    total_loans NUMERIC(15, 2) NOT NULL,
    net_profit NUMERIC(15, 2) NOT NULL,
    npl_group_3 NUMERIC(15, 2) NOT NULL,
    npl_group_4 NUMERIC(15, 2) NOT NULL,
    npl_group_5 NUMERIC(15, 2) NOT NULL,
    npl_total NUMERIC(15, 2) NOT NULL,
    npl_ratio NUMERIC(5, 4) NOT NULL,
    credit_growth NUMERIC(6, 4) NOT NULL,
    roa NUMERIC(5, 4) NOT NULL,
    asset_growth NUMERIC(6, 4) NOT NULL,
    gdp_growth NUMERIC(5, 4) NOT NULL,
    cpi_inflation NUMERIC(5, 4) NOT NULL
);

Phương pháp luận (Methodology)

Nghiên cứu ứng dụng quy trình phân tích định lượng 5 giai đoạn:

1. Thu thập dữ liệu: Thu thập chuỗi số liệu tài chính từ BCTC hợp nhất của MB và số liệu vĩ mô.
2. Xác định biến số: Thiết lập biến phụ thuộc $NPL$ và 6 biến độc lập giải thích.
3. Thống kê mô tả: Khảo sát giá trị trung bình, độ lệch chuẩn, Min, Max.
4. Kiểm định giả thuyết: Phân tích tương quan Pearson ($r$), kiểm định mức ý nghĩa $Sig.$
5. Ước lượng OLS & Kiểm định khuyết tật: Đánh giá $R^2_{adj}$, kiểm định phương sai sai số, tự tương quan và đa cộng tuyến.

---

Implementation và kết quả

Quy trình phát triển mô hình (Development Process)

Mô hình hồi quy tuyến tính bội được thiết lập dưới dạng: $$NPL_{it} = \beta_0 + \beta_1 NPL_{it-1} + \beta_2 CREDIT_{it} + \beta_3 ROA_{it} + \beta_4 SIZE_{it} + \beta_5 GDP_{it} + \beta_6 CPI_{it} + u_{it}$$

Trong đó:

• $NPL_{it}$: Tỷ lệ nợ xấu của MB tại quý $i$ năm $t$ ($%$).
• $NPL_{it-1}$: Tỷ lệ nợ xấu của MB tại quý liền trước ($%$).
• $CREDIT_{it} = \frac{\text{Dư nợ}i - \text{Dư nợ}{i-1}}{\text{Dư nợ}_{i-1}} \times 100$: Tốc độ tăng trưởng tín dụng ($%$).
• $ROA_{it} = \frac{\text{Lợi nhuận sau thuế}_i}{\text{Tổng tài sản}_i} \times 100$: Tỷ suất sinh lời trên tài sản ($%$).
• $SIZE_{it} = \frac{\text{Tổng tài sản}i - \text{Tổng tài sản}{i-1}}{\text{Tổng tài sản}_{i-1}} \times 100$: Tốc độ tăng trưởng quy mô tài sản ($%$).
• $GDP_{it}$: Tốc độ tăng trưởng kinh tế thực tế theo quý ($%$).
• $CPI_{it}$: Tỷ lệ lạm phát đo lường bằng chỉ số giá tiêu dùng ($%$).
• $u_{it}$: Sai số ngẫu nhiên.

Đoạn mã ước lượng OLS và kiểm định kinh tế lượng (Python / Statsmodels implementation)

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor
from statsmodels.stats.stattools import durbin_watson

# 1. Load dataset từ 20 quan sát quý (2018Q1 - 2022Q4)
data = pd.read_csv("mb_bank_npl_data.csv")

# 2. Định nghĩa biến phụ thuộc và biến độc lập
X = data[['NPL_lag1', 'CREDIT', 'ROA', 'SIZE', 'GDP', 'CPI']]
y = data['NPL']

# 3. Thêm hằng số (Intercept)
X_with_const = sm.add_constant(X)

# 4. Ước lượng mô hình OLS
model = sm.OLS(y, X_with_const).fit()

# 5. Trích xuất chỉ số đánh giá mô hình
r_squared_adj = model.rsquared_adj
f_pvalue = model.f_pvalue
dw_stat = durbin_watson(model.resid)

# 6. Kiểm định đa cộng tuyến VIF
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]

print(f"R-squared Hiệu chỉnh: {r_squared_adj:.4f}")
print(f"Sig. F-Change: {f_pvalue:.6f}")
print(f"Durbin-Watson Stat: {dw_stat:.4f}")
print("\nKết quả kiểm định VIF:\n", vif_data)

Kết quả kiểm định và thống kê (Testing & Validation)

1. Thống kê mô tả các biến nghiên cứu ($N=20$)

Biến số	Ký hiệu	Giá trị nhỏ nhất (Min)	Giá trị lớn nhất (Max)	Giá trị trung bình (Mean)	Độ lệch chuẩn (Std. Dev)
Tỷ lệ nợ xấu	$NPL$ (%)	0.700	1.620	1.074	0.283
Nợ xấu kỳ trước	$NPL_{t-1}$ (%)	0.700	1.620	1.058	0.278
Tăng trưởng tín dụng	$CREDIT$ (%)	-6.800	14.180	4.881	4.893
Tỷ suất sinh lời tài sản	$ROA$ (%)	0.330	0.740	0.510	0.114
Tăng trưởng quy mô TS	$SIZE$ (%)	-2.760	12.770	4.354	4.290
Tăng trưởng GDP	$GDP$ (%)	1.700	6.470	4.820	1.483
Lạm phát CPI	$CPI$ (%)	0.352	0.620	0.481	0.094

2. Phân tích ma trận tương quan Pearson

Biến	NPL	NPL_lag1	CREDIT	ROA	SIZE	GDP	CPI
NPL	1.000	0.519*	-0.105	-0.160	-0.133	0.771**	0.224
Sig. (2-tailed)	-	0.019	0.660	0.501	0.575	0.000	0.342

(*) Tương quan có ý nghĩa ở mức 0.05; (**) Tương quan có ý nghĩa ở mức 0.01.

3. Đánh giá độ tin cậy và kiểm định khuyết tật mô hình hồi quy

• Hệ số xác định ($R^2$): $R^2_{adj} = 0.870$, cho thấy 87,0% sự biến thiên của tỷ lệ nợ xấu tại MB được giải thích bởi 6 biến độc lập trong mô hình.
• Kiểm định ANOVA ($F$-test): Giá trị $Sig. F = 0.001 < 0.01$, khẳng định mô hình hồi quy tuyến tính hoàn toàn phù hợp và có độ tin cậy cao.
• Kiểm định tự tương quan: Giá trị Durbin-Watson nằm trong khoảng an toàn ($1.5 < d < 2.5$), bác bỏ giả thuyết có tự tương quan bậc nhất giữa các phần dư.
• Kiểm định đa cộng tuyến (VIF): Hệ số $VIF$ của toàn bộ các biến độc lập đều nhỏ hơn 10, chứng minh không có hiện tượng đa cộng tuyến nghiêm trọng.
• Kiểm định phương sai sai số thay đổi: Phân tích tương quan hạng Spearman giữa trị tuyệt đối phần dư chuẩn hóa và các biến độc lập đều có giá trị $Sig. > 0.05$, đảm bảo phương sai phần dư đồng nhất.

Kết quả đạt được

+-------------------------------------------------------------------------------+
|                       KẾT QUẢ ĐẠT ĐƯỢC TẠI MBBANK                             |
|                                                                               |
|  Tỷ lệ nợ xấu bình quân: 1.07% (Luôn kiểm soát < 1.5% mục tiêu HĐQT)          |
|  Tỷ lệ bao phủ nợ xấu (LLR): > 100%, đỉnh điểm đạt 349% (năm 2021)            |
|  Mô hình OLS đạt độ giải thích R²_adj = 87.0% với mức ý nghĩa Sig. F = 0.001   |
|  Lượng hóa 2 nhân tố ảnh hưởng mạnh nhất: GDP (r=0.771) và NPL kỳ trước       |
+-------------------------------------------------------------------------------+

1. Hiệu quả kiểm soát nợ xấu thực tế: Dù đối mặt với biến cố COVID-19, tỷ lệ nợ xấu của MB trong giai đoạn 2018–2022 luôn duy trì trong khoảng 0.90% – 1.33%, thấp hơn đáng kể so với mức trần 3.0% của NHNN và mục tiêu 1.5% của Đại hội đồng Cổ đông MB.
2. Mối quan hệ nhân quả xác nhận: Tỷ lệ nợ xấu chịu ảnh hưởng đồng thời và mạnh mẽ nhất từ quán tính trễ của chính nó ($NPL_{t-1}$) và biến động chu kỳ kinh tế vĩ mô ($GDP$).

---

Đổi mới và đóng góp

Đổi mới về mặt học thuật và kỹ thuật

• Phân tích chiều sâu đơn vị độc lập: Khắc phục triệt để hạn chế của các nghiên cứu bảng diện rộng (vốn làm mờ đi khẩu vị rủi ro đặc thù của từng ngân hàng).
• Kết hợp kiểm định khuyết tật đa tầng: Tích hợp kiểm định phương sai sai số thay đổi bằng tương quan hạng Spearman, kiểm tra đa cộng tuyến với VIF và tự tương quan Durbin-Watson đồng thời trên dữ liệu quý của MB.

So sánh với các nghiên cứu tiền nhiệm

Tiêu chí	Nghiên cứu của Nguyễn Thị Như Quỳnh et al. (2018)	Nghiên cứu của Nguyễn Kim Quốc Trung (2019)	Đề tài nghiên cứu tại MB Bank (Trịnh Thanh Nhiên, 2024)
Đối tượng nghiên cứu	25 NHTM Việt Nam	Nhóm NHTMCP Việt Nam	Riêng Ngân hàng TMCP Quân đội (MB)
Dữ liệu & Tần suất	Dữ liệu bảng theo năm (2006–2016)	Dữ liệu bảng theo năm (2009–2017)	Dữ liệu chuỗi thời gian theo quý (2018–2022)
Phương pháp ước lượng	Pooled OLS, FEM, REM	Nghiên cứu định tính + Định lượng	OLS chuỗi thời gian đa biến + Kiểm định khuyết tật toàn diện
Độ giải thích ($R^2 / R^2_{adj}$)	45.2% – 61.8%	52.4%	87.0% ($R^2_{adj} = 0.870$)
Ý nghĩa ứng dụng	Nhận diện tổng thể ngành	Khảo sát định tính chính sách	Ứng dụng trực tiếp vào mô hình EWS và danh mục tín dụng MB

---

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong vận hành ngân hàng (Real-world Use Cases)

1. Hệ thống cảnh báo sớm rủi ro tín dụng (EWS): Sử dụng hệ số hồi quy để tính toán xác suất chuyển nhóm nợ khi tăng trưởng GDP suy giảm hoặc khi nợ nhóm 2 và nhóm 3 kỳ trước có xu hướng tích tụ.
2. Tối ưu hóa danh mục phân bổ vốn: Cân đối tỷ trọng cho vay giữa các ngành nghề nhạy cảm với chu kỳ kinh tế (Bất động sản chiếm 4,64%, Xây dựng 5,74%, Bán buôn/bán lẻ 24,89%) nhằm hạn chế rủi ro tập trung (Concentration Risk).
3. Hoạt động của Công ty Quản lý nợ MBAMC: Đẩy nhanh tốc độ xử lý tài sản bảo đảm và thu hồi nợ xấu nhóm 5 ngay trong quý phát sinh để ngăn chặn việc gia tăng $NPL_{t-1}$ sang các kỳ tiếp theo.

Lộ trình triển khai giải pháp (Implementation Roadmap)

Giai đoạn 1 (Q1-Q2)     Giai đoạn 2 (Q3)        Giai đoạn 3 (Q4)        Giai đoạn 4 (Vận hành)
+-------------------+   +-------------------+   +-------------------+   +--------------------+
| Chuẩn hóa dữ liệu |-->| Tích hợp mô hình  |-->| Thử nghiệm EWS    |-->| Vận hành tự động   |
| Dữ liệu BCTC & QTRR |  | Tích hợp vào Data |  | Chạy song song   |   | Dashboard giám sát |
| phân loại theo TT11|  | Warehouse của MB  |   | với Core Banking  |   | nợ xấu định kỳ     |
+-------------------+   +-------------------+   +-------------------+   +--------------------+

---

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

• Cỡ mẫu quan sát: Nghiên cứu sử dụng dữ liệu 20 quý ($N=20$). Mặc dù thỏa mãn điều kiện ước lượng OLS tối thiểu ($N \ge 50$ hoặc $N \ge 5k$ với $k$ là số biến), cỡ mẫu này chưa đủ lớn để áp dụng các mô hình động phức tạp như System-GMM hay thuật toán học máy (Random Forest, XGBoost).
• Biến số định tính: Chưa đưa vào lượng hóa các nhân tố quản trị nội bộ như năng lực thẩm định của cán bộ tín dụng, đạo đức nghề nghiệp và mức độ tự động hóa chấm điểm tín dụng.

Hướng phát triển tiếp theo

• Mở rộng khung dữ liệu lên 40 quý (10 năm) và tích hợp các chỉ số tài chính vi mô bổ sung: Tỷ lệ an toàn vốn (CAR), Tỷ lệ dư nợ trên vốn huy động (LDR), Tỷ lệ dự phòng rủi ro tín dụng/tổng dư nợ.
• Xây dựng mô hình hỗn hợp (Hybrid ML-Econometric Model) kết hợp hồi quy logistic với thuật toán cây quyết định để nâng cao độ chính xác trong dự báo nợ xấu cá nhân và doanh nghiệp.

---

Đối tượng hưởng lợi

• Sinh viên & Học viên ngành Tài chính - Ngân hàng: Nắm vững phương pháp luận nghiên cứu định lượng, cách thức thu thập số liệu BCTC và quy trình xử lý hồi quy kinh tế lượng trên SPSS.
• Chuyên viên Quản trị rủi ro & Data Analyst tại ngân hàng: Ứng dụng khung phân tích biến động nợ xấu để xây dựng mô hình dự báo dòng tiền và phân bổ vốn phòng ngừa tổn thất tín dụng theo IFRS 9.
• Ban Điều hành & Khối Quản trị Tín dụng MB: Sở hữu cơ sở khoa học định lượng để điều chỉnh room tín dụng linh hoạt theo biến động GDP và lạm phát.
• Nhà nghiên cứu kinh tế: Bổ sung nguồn tài liệu tham khảo giá trị về tác động của các cú sốc kinh tế vĩ mô đến nợ xấu của ngân hàng quy mô lớn tại thị trường mới nổi.

---

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu để triển khai mô hình hồi quy nợ xấu là gì?

Hệ thống yêu cầu nguồn dữ liệu chuỗi thời gian tối thiểu 20 kỳ báo cáo quý liên tục từ BCTC hợp nhất kiểm toán và các chỉ báo vĩ mô chính thức từ GSO/World Bank. Về phần mềm, cần trang bị IBM SPSS Statistics v25.0 trở lên hoặc môi trường Python 3.10 với các gói thư viện chuẩn (pandas, statsmodels, scipy).

2. Vì sao biến Tăng trưởng GDP ($GDP$) lại có tương quan dương ($r = 0.771$) với tỷ lệ nợ xấu trong mẫu nghiên cứu?

Trong giai đoạn nền kinh tế tăng trưởng nóng, các NHTM có xu hướng nới lỏng điều kiện cấp tín dụng để mở rộng thị phần. Khi quy mô tín dụng mở rộng nhanh chóng, việc thẩm định tài sản đảm bảo và kiểm soát dòng tiền có thể bị giảm sút. Khi xuất hiện các cú sốc đảo chiều kinh tế (như đại dịch COVID-19), các khoản vay dưới chuẩn này nhanh chóng chuyển hóa thành nợ xấu.

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

Mô hình được đóng gói dưới dạng API microservice hoặc stored procedure trong Data Warehouse của ngân hàng. Định kỳ hàng quý, hệ thống tự động trích xuất các chỉ số $ROA$, $SIZE$, $CREDIT$, $NPL_{t-1}$ từ sổ cái Core Banking kết hợp với dữ liệu $GDP$, $CPI$ cập nhật để tính toán tỷ lệ nợ xấu dự báo.

4. Chi phí trích lập dự phòng rủi ro tín dụng ảnh hưởng như thế nào đến nợ xấu tại MB?

MB duy trì tỷ lệ bao phủ nợ xấu (LLR) rất cao (đạt 128% năm 2019 và 349% năm 2021). Việc chủ động trích lập dự phòng đầy đủ tạo tấm đệm vốn tài chính vững chắc, cho phép ngân hàng nhanh chóng sử dụng quỹ dự phòng để xử lý và xóa các khoản nợ không có khả năng thu hồi (nợ nhóm 5), giúp lành mạnh hóa bảng cân đối kế toán.

5. Giải pháp nào là cấp thiết nhất đối với MB để giảm thiểu nợ xấu trong tương lai?

Giải pháp quan trọng nhất là nâng cao năng lực thẩm định độc lập, số hóa toàn diện quy trình kiểm tra sau giải ngân và tăng cường năng lực xử lý tài sản thế chấp của công ty con MBAMC nhằm xử lý triệt để nợ xấu tồn đọng ($NPL_{t-1}$), ngăn chặn rủi ro chuyển nhóm nợ sang các kỳ kế tiếp.

---

Kết luận

Đề tài khóa luận tốt nghiệp "Các nhân tố ảnh hưởng đến nợ xấu tại Ngân hàng TMCP Quân đội (MB)" của tác giả Trịnh Thanh Nhiên (2024) đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra:

• Thành tựu chính: Hệ thống hóa toàn diện lý luận và thực tiễn quản lý nợ xấu tại MB giai đoạn 2018–2022; xây dựng thành công mô hình OLS giải thích 87,0% biến thiên nợ xấu ($R^2_{adj} = 0.870$, $p = 0.001$).
• Đóng góp kỹ thuật: Lượng hóa chính xác tác động của quán tính nợ xấu kỳ trước ($NPL_{t-1}$) và tăng trưởng kinh tế ($GDP$) đến nợ xấu tại một NHTM cổ phần hàng đầu Việt Nam.
• Giá trị thực tiễn: Cung cấp cơ sở khoa học chuẩn xác để Ban lãnh đạo MB Bank và các cơ quan quản lý (NHNN, Chính phủ) ban hành chính sách tín dụng an toàn, kiểm soát nợ xấu dưới 1.5% và thúc đẩy tăng trưởng tài chính bền vững.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ NỢ XẤU VÀ CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN NỢ XẤU CỦA CÁC NGÂN HÀNG THƯƠNG MẠI 1.1 Cơ sở lý thuyết về nợ xấu 1. Khái niệm về nợ xấu Nợ xấu là thuật ngữ mà hiện nay trên thế giới chưa có một chuẩn mực thống nhất nào. Với mỗi quốc gia hay mỗi tổ chức khác nhau thì thuật ngữ nợ xấu sẽ được hiểu với những định nghĩa khác nhau. Nợ xấu được sử dụng phổ biến trên thế giới với các từ như “Nonperforming loans” (NPL), “bad debt”, “doubtful debt”, có thể hiểu sơ qua là các khoản nợ không đủ tiêu chuẩn, bị quá hạn và bị nghi ngờ khó có khả năng thu hồi.

Theo quan điểm của quỹ tiền tệ quốc tế (IMF): Quan điểm về nợ xấu đã được Quỹ tiền tệ quốc tế IMF đưa ra như sau: “Một khoản vay được coi là nợ xấu khi quá hạn thanh toán gốc hoặc lãi 90 ngày trở lên, khi các khoản lãi đã quá hạn 90 ngày hoặc hơn đã được vốn hóa, cơ cấu lại, hoặc trì hoãn theo thỏa thuận. Khi các khoản thanh toán đến hạn dưới 90 ngày nhưng có thể nhận thấy những dấu hiệu rõ ràng cho thấy người vay sẽ không thể hoàn trả nợ đầy đủ (người vay phá sản)”. Vậy theo IMF nợ xấu được tiếp cận dựa trên thời gian trả hạn quá nợ và khả năng trả nợ của khách hàng. Khả năng trả nợ của khách hàng ở đây có thể là toàn bộ số gốc và lãi hoặc một phần gốc và lãi.

Theo Ủy ban Basel về Giám sát Ngân hàng (BCBS): Ủy ban Basel Về Giám Sát Ngân hàng (BCBS) không đưa ra thời gian quá hạn chi trả khi một khoản nợ bị coi là “xấu” (có thể là 30-89 ngày, 90-179 ngày, trên 180 ngày ở các quốc gia khác nhau) mà cho rằng đó là “khoản nợ đã quá hạn và ngân hàng thấy người vay không có khả năng trả nợ đầy đủ khi ngân hàng chưa thực hiện hành động gì để cố gắng thu hồi”. Theo chuẩn mực kế toán Quốc tế (IAS): Định nghĩa của Chuẩn mực kế toán quốc tế (IAS) về nợ xấu được khuyến cáo áp dụng ở một số nước phát triển, chú trọng đến khả năng hoàn trả của khoản vay mà không quan tâm tới thời gian quá hạn chưa tới 90 ngày hoặc chưa quá hạn. 7 Tại Việt Nam: Nợ xấu không được định nghĩa trực tiếp mà được xác định gián tiếp thông qua quy định về phân loại nợ, trích lập và sử dụng dự phòng để xử lý rủi ro tín dụng trong hoạt động ngân hàng của tổ chức tín dụng. Theo đó, nợ xấu là các khoản thuộc các nhóm 3, 4, 5 tương ứng với nợ dưới tiêu chuẩn, nợ nghi ngờ, nợ có khả năng mất vốn (theo TT số 11/2021/TT – NHNN ngày 30/07/2021 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 tại Điều 10 và Điều 11).

Như vậy, định nghĩa về nợ xấu tại Việt Nam hiện nay đã khá tương đồng với tiêu chuẩn quốc tế và thực tiễn áp dụng tại nhiều quốc gia trên thế giới. Phân loại nợ xấu Bảng 1.1: Phân loại nợ xấu Ngân hàng thế Ngân hàng thanh giới (2015) toán quốc tế Tại Việt Nam (BIS) (2017) Bao gồm 5 Bao gồm 5 nhóm: Phương pháp định Phương pháp định nhóm: - Nợ đạt chuẩn: lượng: tính: - Nợ đạt tiêu bao gồm nợ được - Nhóm 1: Nợ đủ tiêu - Nhóm 1: Nợ đủ chuẩn: Không đánh chuẩn tiêu chuẩn nghi ngờ về khả giá là có khả năng + Nợ trong hạn và Các khoản nợ năng trả nợ; Tài thu hồi đầy đủ được đánh giá là có được đánh giá sản được đảm gốc khả năng thu hồi đầy là có khả năng bảo hoàn toàn và lãi đúng hạn. đủ cả nợ gốc và lãi thu hồi đầy đủ bằng tiền hoặc - Nợ cần chú ý: đúng hạn cả nợ gốc và lãi tương đương bao gồm những + Nợ quá hạn dưới đúng hạn tiền; Quá hạn khoản nợ khách 10 ngày và được - Nhóm 2: Nợ cần dưới 90 ngày. hàng có dấu hiệu đánh giá là có khả chú ý suy giảm năng thu hồi đầy đủ Các khoản nợ 8 - Nợ cần theo khả năng trả nợ.

nợ gốc và lãi bị quá được đánh giá dõi: Xuất hiện - Nợ dưới tiêu hạn và thu hồi đầy đủ là có khả năng những điểm yếu chuẩn: những nợ gốc và lãi còn lại thu hồi đầy đủ tiềm tàng có thể khoản nợ đã quá đúng hạn. các nợ gốc và ảnh hưởng đến hạn 3 tháng. - Nhóm 2: Nợ cần lãi nhưng có khả năng trả nợ; -Nợ nghi ngờ: chú ý dấu hiệu khách Điều kiện kinh bao gồm những + Nợ quá hạn từ 10 hàng suy giảm tế hoặc tài chính khoản nợ bị ngày đến 90 ngày khả năng trả nợ trong tương lai nghi ngờ về khả + Nợ được điều - Nhóm 3: Nợ dưới gặp khó khăn; năng thu hồi và chỉnh kỳ hạn trả nợ tiêu chuẩn Quá hạn dưới xác định là sẽ lần đầu Các khoản nợ được 90 ngày. gây ra tổn thất.

- Nhóm 3: Nợ dưới đánh giá là không - Nợ dưới tiêu -Nợ có khả năng tiêu chuẩn có khả năng thu hồi chuẩn: Có các mất vốn: bao gồm + Nợ quá hạn từ 91 đầy đủ đầy đủ cả điểm yếu về tín nợ được đánh giá ngày đến 180 ngày nợ gốc và lãi khi dụng có thể ảnh là không còn khả + Nợ cơ cấu lại thời đến hạn, có hưởng đến khả năng thu hồi, mất gian trả nợ lần đầu khả năng tổn thất. năng trả nợ; Các vốn dưới 30 ngày theo - Nhóm 4: Nợ nghi khoản nợ đã thời hạn trả nợ được ngờ được thỏa thuận => Vậy theo BIS cơ cấu lại. Các khoản nợ được lại; Các khoản (2017) thì nợ xấu + Nợ được miễn đánh giá là có khả nợ quá hạn từ bao gồm: Nợ dưới hoặc giảm lãi do năng 90-180 ngày. tiêu chuẩn, Nợ khách hàng không đủ tổn thất cao.

- Nợ nghi ngờ: nghi ngờ và Nợ khả năng trả lãi đầy - Nhóm 5: Nợ có Không chắc thu có khả năng mất đủ theo hợp đồng tín khả năng mất vốn hồi được toàn vốn dụng. Các khoản nợ được bộ ở hiện tại; - Nhóm 4: Nợ nghi đánh giá là không Có khả năng ngờ còn thất thoát; Các + Nợ quá hạn từ 181 khả năng thu hồi, khoản nợ quá ngày đến 360 ngày mất vốn 9 hạn từ 180-360 + Nợ cơ cấu lại thời ngày. hạn trả nợ lần đầu - Nợ mất vốn: quá hạn đến 90 ngày = Các khoản nợ theo thời hạn trả nợ không thể thu được cơ cấu lại lần hồi; Các khoản đầu nợ quá hạn trên + Nợ được cơ cấu lại 360 ngày. thời hạn trả nợ lần => Như vậy nợ thứ hai xấu theo ngân - Nhóm 5: Nợ có khả hàng thế giới năng mất vốn thuộc 3 nhóm: + Nợ quá hạn trên Nợ dưới tiêu 360 ngày chuẩn, Nợ nghi + Nợ cơ cấu lại thời ngờ và Nợ mất hạn trả nợ lần đầu vốn quá hạn từ 90 ngày trở lên theo thời hạn trả nợ được cơ cấu lại lần đầu + Nợ cơ cấu lại thời hạn trả nợ lần thứ hai và quá hạn theo thời hạn trả nợ được cơ cấu lại lần thứ hai + Nợ cơ cấu lại thời hạn trả nợ lần thứ ba trở lên, kể cả chưa bị quá hạn hoặc đã quá hạn 10 => Tại Việt Nam nợ xấu thuộc 3 nhóm: nhóm 3, nhóm 4 và nhóm 5.

Nguyên nhân gây ra nợ xấu 1. Nguyên nhân khách quan a. Từ phía khách hàng Vốn vay của ngân hàng được sử dụng như một công cụ đòn bẩy tài chính tạo cơ hội giúp các doanh nghiệp kinh doanh được thuận lợi hơn. Tuy nhiên cơ chế quản lý, năng lực kinh doanh còn yếu kém, tầm nhìn thị trường kinh tế chưa sâu rộng dẫn đến việc sử dụng nguồn vốn không đạt hiệu quả, khó cạnh tranh được với các doanh nghiệp trong và ngoài nước.

Ngoài ra những rủi ro gặp phải trong kinh doanh như bị chiếm dụng vốn hoặc không trả nợ đúng hạn của bạn hàng, môi trường kinh doanh gặp nhiều biến động là những yếu tố làm doanh nghiệp khó khăn trong việc thực hiện các nghĩa vụ trả nợ đối với ngân hàng. Bên cạnh đó nợ xấu phát sinh còn xuất phát từ thiện chí trả nợ của khách hàng. Có nhiều khách hàng lợi dụng những khoản vay của ngân hàng để sử dụng sai mục đích kinh doanh, chiếm dụng vốn ngân hàng như một hình lừa đảo có chủ đích. Hoặc đến từ đạo đức của khách hàng khi cố tình không thực hiện nghĩa vụ trả nợ cho ngân hàng mặc dù có khả năng thanh toán.

Môi trường tự nhiên Hoạt động sản xuất kinh doanh phụ thuộc rất nhiều vào sự biến đổi của thời tiết, khí hậu, thiên tai, bão lũ, hạn hán, mất mùa hay dịch bệnh,… đây là những nguyên nhân ngoài tầm kiểm soát của ngân hàng cũng như khách hàng. Ảnh hưởng, gây cản trở đến hoạt động sản xuất kinh của khách hàng đặc biệt là các khoản vay phục vụ cho hoạt động sản xuất nông, lâm, thuỷ sản dẫn đến mất mùa, giảm sản lượng…Từ đó làm nguồn trả nợ cũng như kế hoạch trả nợ không được ổn định. Môi trường pháp lý 11 Mọi chính sách cũng như các quyết định ban hành của Nhà nước đều ảnh hưởng đến hoạt động kinh doanh của các doanh nghiệp. Các chính sách kinh tế vĩ mô, chính sách tiền tệ thiếu ổn định, không hợp lý gây ảnh hưởng xấu đến khả năng sản xuất, kinh doanh và khả năng trả nợ của khách hàng.

Hệ thống pháp luật không minh bạch, thiếu chặt chẽ sẽ tạo cơ hội cho cán bộ nhân viên hay một số cá nhân luồn lách, lợi dụng để thực hiện hành vi lừa đảo, trục lợi đối với ngân hàng. Suy thoái kinh tế - chu kỳ kinh tế Sự phát triển kinh tế toàn cầu nói chung và đất nước nói riêng luôn ảnh hưởng quan trọng đến tình hình sản xuất kinh doanh của các doanh nghiệp. Môi trường kinh doanh chịu ảnh hưởng của chu kỳ kinh tế, khủng hoảng trên thị trường tài chính tiền tệ và kinh tế quốc tế có thể là nguyên nhân ảnh hưởng mạnh mẽ và trực tiếp gây ra tiềm ẩn, rủi ro rất lớn trong hoạt động sản xuất kinh doanh. Trong giai đoạn nền kinh tế suy thoái, cầu thế giới giảm các doanh nghiệp gặp nhiều trở ngại trong sản xuất kinh doanh, việc trả nợ cho ngân hàng cũng dần trở nên khó khăn hơn, làm phát sinh nợ xấu cho ngân hàng.